論文の概要: An Iteration-Free Fixed-Point Estimator for Diffusion Inversion

• arxiv url: http://arxiv.org/abs/2512.08547v1
• Date: Tue, 09 Dec 2025 12:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.957128
• Title: An Iteration-Free Fixed-Point Estimator for Diffusion Inversion
• Title（参考訳）: 拡散インバージョンのためのイテレーションフリー固定点推定器
• Authors: Yifei Chen, Kaiyu Song, Yan Pan, Jianxing Yu, Jian Yin, Hanjiang Lai,
• Abstract要約: 拡散インバージョンのためのイテレーションフリーな不動点推定器を提案する。 本研究では,2つのテキスト画像データセットであるNOCAPSとMS-COCOの再構成性能を評価する。
• 参考スコア（独自算出の注目度）: 26.669535386141778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion inversion aims to recover the initial noise corresponding to a given image such that this noise can reconstruct the original image through the denoising diffusion process. The key component of diffusion inversion is to minimize errors at each inversion step, thereby mitigating cumulative inaccuracies. Recently, fixed-point iteration has emerged as a widely adopted approach to minimize reconstruction errors at each inversion step. However, it suffers from high computational costs due to its iterative nature and the complexity of hyperparameter selection. To address these issues, we propose an iteration-free fixed-point estimator for diffusion inversion. First, we derive an explicit expression of the fixed point from an ideal inversion step. Unfortunately, it inherently contains an unknown data prediction error. Building upon this, we introduce the error approximation, which uses the calculable error from the previous inversion step to approximate the unknown error at the current inversion step. This yields a calculable, approximate expression for the fixed point, which is an unbiased estimator characterized by low variance, as shown by our theoretical analysis. We evaluate reconstruction performance on two text-image datasets, NOCAPS and MS-COCO. Compared to DDIM inversion and other inversion methods based on the fixed-point iteration, our method achieves consistent and superior performance in reconstruction tasks without additional iterations or training.
• Abstract（参考訳）: 拡散インバージョンは、所定の画像に対応する初期ノイズを復元することを目的としており、このノイズはデノナイズ拡散過程を通じて元の画像を再構成することができる。 拡散反転の鍵となる要素は、各反転ステップにおける誤差を最小限に抑え、累積的不正確さを緩和することである。 近年,各反転ステップにおける再構成誤差を最小限に抑えるために,固定点反復法が広く採用されている。 しかし、その反復性やハイパーパラメータ選択の複雑さにより、計算コストが高い。 これらの問題に対処するために、拡散反転のためのイテレーションフリーな不動点推定器を提案する。 まず、固定点の明示的な表現を理想反転ステップから導き出す。 残念ながら、これは本質的に未知のデータ予測エラーを含んでいる。 これに基づいて,前回の逆転ステップから計算可能な誤差を用いて,現在の逆転ステップにおける未知の誤差を近似する誤差近似を導入する。 これは、我々の理論解析で示されるように、低分散を特徴とする非偏差推定器である固定点の計算可能近似式を得る。 本研究では,2つのテキスト画像データセットであるNOCAPSとMS-COCOの再構成性能を評価する。 定点反復に基づくDDIM逆転法や他の逆転法と比較して,本手法は追加イテレーションやトレーニングを伴わずに再構成タスクにおいて一貫した,優れた性能を実現する。

関連論文リスト

• POLARIS: Projection-Orthogonal Least Squares for Robust and Adaptive Inversion in Diffusion Models [9.779983925649857]
  Inversion-Denoising Paradigmは拡散モデルに基づく多彩な画像編集と復元作業に優れる。 我々は、その機構を再検討し、復元劣化の重大な要因である、近似ノイズ誤差を明らかにする。 本稿では, 誤差補償問題から誤り補償問題への逆変換を再構成する, ロバスト・アダプティブ・インバージョンのための射影直交最小広場(POLARIS)について紹介する。
  論文  参考訳（メタデータ） (2025-11-29T07:35:20Z)
• Score-Based Variational Inference for Inverse Problems [19.848238197979157]
  後部平均値が好ましいアプリケーションでは、時間を要する後部から複数のサンプルを生成する必要がある。 後部平均を直接対象とするフレームワークであるリバース平均伝搬(RMP)を確立する。 スコア関数を用いて逆KL分散を自然な勾配降下で最適化し,各逆ステップで平均を伝搬するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-08T02:55:16Z)
• A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
  そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。 提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
  論文  参考訳（メタデータ） (2024-09-07T06:37:23Z)
• Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing [84.97865583302244]
  Decoupled Annealing Posterior Smpling (DAPS) と呼ばれる新しい手法を提案する。 DAPSは、新しいノイズアニール法に依存している。 DAPSは複数の画像復元作業において,サンプル品質と安定性を著しく向上することを示した。
  論文  参考訳（メタデータ） (2024-07-01T17:59:23Z)
• 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)
• Adaptive operator learning for infinite-dimensional Bayesian inverse problems [7.716833952167609]
  本研究では,局所的に精度の高いサロゲートを強制することによって,モデリングエラーを段階的に低減できる適応型演算子学習フレームワークを開発した。 UKIフレームワークを用いて線形の場合において厳密な収束を保証する。 その結果,逆精度を維持しながら計算コストを大幅に削減できることがわかった。
  論文  参考訳（メタデータ） (2023-10-27T01:50:33Z)
• Variational Laplace Autoencoders [53.08170674326728]
  変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。 完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。 また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
  論文  参考訳（メタデータ） (2022-11-30T18:59:27Z)

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。