論文の概要: FlowLPS: Langevin-Proximal Sampling for Flow-based Inverse Problem Solvers
- arxiv url: http://arxiv.org/abs/2512.07150v1
- Date: Mon, 08 Dec 2025 04:18:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.705066
- Title: FlowLPS: Langevin-Proximal Sampling for Flow-based Inverse Problem Solvers
- Title（参考訳）: FlowLPS:フローベース逆問題解に対するLangevin-Proximal Smpling
- Authors: Jonghyun Park, Jong Chul Ye,
- Abstract要約: FlowLPSは、Langevin Proximal Sampling (LPS)戦略を通じて、事前訓練されたフローモデルによる逆問題を解決する。
提案手法は, 多様体一貫性探索のためのランゲヴィン力学と, 高精度なモード探索のための近似最適化を統合し, 再現忠実度と知覚品質のバランスを良くする。
- 参考スコア（独自算出の注目度）: 51.56484100374058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep generative models have become powerful priors for solving inverse problems, and various training-free methods have been developed. However, when applied to latent flow models, existing methods often fail to converge to the posterior mode or suffer from manifold deviation within latent spaces. To mitigate this, here we introduce a novel training-free framework, FlowLPS, that solves inverse problems with pretrained flow models via a Langevin Proximal Sampling (LPS) strategy. Our method integrates Langevin dynamics for manifold-consistent exploration with proximal optimization for precise mode seeking, achieving a superior balance between reconstruction fidelity and perceptual quality across multiple inverse tasks on FFHQ and DIV2K, outperforming state of the art inverse solvers.
- Abstract（参考訳）: 深層生成モデルは、逆問題解決の強力な先駆者となり、様々な訓練不要な手法が開発されている。
しかし、潜在フローモデルに適用する場合、既存の手法は後続モードに収束したり、潜在空間内での多様体の偏差に悩まされることがしばしばある。
そこで本研究では,Langevin Proximal Sampling(LPS)戦略を用いて,事前学習フローモデルの逆問題を解決する,新たなトレーニングフリーフレームワークであるFlowLPSを紹介する。
提案手法は, FFHQ と DIV2K 上の複数の逆問題に対して, 再現忠実度と知覚品質のバランスを良好に保ち, 最先端の逆解法よりも優れる。
関連論文リスト
- Solving Diffusion Inverse Problems with Restart Posterior Sampling [2.9527010146189556]
逆問題(英: inverse problem)とは、科学や工学において基本的な問題であり、ノイズ測定から基礎となる信号や状態を推測することである。
近年のアプローチでは、複雑なデータ分布をキャプチャする能力のため、そのような問題に対する強力な暗黙の先行モデルとして拡散モデルが採用されている。
本稿では,線形逆問題と非線形逆問題の両方を解決するための汎用的で効率的なフレームワークであるRePS(Restart for Posterior Sampling)を提案する。
論文 参考訳（メタデータ） (2025-11-24T20:42:33Z) - Latent Refinement via Flow Matching for Training-free Linear Inverse Problem Solving [18.226350407462643]
LFlowは,事前学習した潜水前処理を用いて線形逆問題を解決するための学習自由フレームワークである。
提案手法は,ほとんどのタスクの再構成品質において,最先端の潜伏拡散解法よりも優れる。
論文 参考訳（メタデータ） (2025-11-08T21:20:59Z) - FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。
Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
論文 参考訳（メタデータ） (2025-03-11T07:56:14Z) - Solving Video Inverse Problems Using Image Diffusion Models [58.464465016269614]
本稿では,画像拡散モデルのみを活用する革新的なビデオ逆解法を提案する。
本手法は,映像の時間次元をバッチ次元画像拡散モデルとして扱う。
また、バッチ間の一貫性を促進するバッチ一貫性サンプリング戦略も導入しています。
論文 参考訳（メタデータ） (2024-09-04T09:48:27Z) - CoSIGN: Few-Step Guidance of ConSIstency Model to Solve General INverse Problems [3.3969056208620128]
我々は, 高い復元品質を維持しつつ, 推論ステップの境界を1-2 NFEに推し進めることを提案する。
本手法は拡散型逆問題解法における新しい最先端技術を実現する。
論文 参考訳（メタデータ） (2024-07-17T15:57:50Z) - Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。
この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
論文 参考訳（メタデータ） (2024-02-03T13:35:39Z) - Training-free Linear Image Inverses via Flows [17.291903204982326]
本研究では,事前学習フローモデルを用いて,線形逆問題に対する学習自由度を求める手法を提案する。
提案手法では,高次元データセット上でのノイズの多い線形逆問題に対して,問題固有のチューニングは不要である。
論文 参考訳（メタデータ） (2023-09-25T22:13:16Z) - Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。
この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。
本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-02T09:06:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。