論文の概要: Mode-Seeking for Inverse Problems with Diffusion Models

• arxiv url: http://arxiv.org/abs/2512.10524v1
• Date: Thu, 11 Dec 2025 10:51:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.330931
• Title: Mode-Seeking for Inverse Problems with Diffusion Models
• Title（参考訳）: 拡散モデルを用いた逆問題に対するモード探索
• Authors: Sai Bharath Chandra Gutha, Ricardo Vinuesa, Hossein Azizpour,
• Abstract要約: 事前訓練された非条件拡散モデルと、後続サンプリングまたは最大後続推定手法を組み合わせることで、タスク固有のトレーニングや微調整なしに任意の逆問題を解くことができる。 本研究では, MAP推定に向けて生成したサンプルを誘導する変動モード探索損失(VML)を提案する。 VMLはKulback-Leibler(KL)の拡散後$p(mathbfx_0|mathbfx_t)$と測定後$p(mathbfx)$の間の分岐を最小化する新しい視点から生じる。
• 参考スコア（独自算出の注目度）: 10.660734390023912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A pre-trained unconditional diffusion model, combined with posterior sampling or maximum a posteriori (MAP) estimation techniques, can solve arbitrary inverse problems without task-specific training or fine-tuning. However, existing posterior sampling and MAP estimation methods often rely on modeling approximations and can be computationally demanding. In this work, we propose the variational mode-seeking loss (VML), which, when minimized during each reverse diffusion step, guides the generated sample towards the MAP estimate. VML arises from a novel perspective of minimizing the Kullback-Leibler (KL) divergence between the diffusion posterior $p(\mathbf{x}_0|\mathbf{x}_t)$ and the measurement posterior $p(\mathbf{x}_0|\mathbf{y})$, where $\mathbf{y}$ denotes the measurement. Importantly, for linear inverse problems, VML can be analytically derived and need not be approximated. Based on further theoretical insights, we propose VML-MAP, an empirically effective algorithm for solving inverse problems, and validate its efficacy over existing methods in both performance and computational time, through extensive experiments on diverse image-restoration tasks across multiple datasets.
• Abstract（参考訳）: 事前訓練された非条件拡散モデルと、後続サンプリングまたは最大後続推定手法を組み合わせることで、タスク固有のトレーニングや微調整なしに任意の逆問題を解くことができる。 しかし、既存の後方サンプリングとMAP推定法は、しばしばモデリング近似に依存し、計算的に要求される。 本研究では,各逆拡散ステップで最小化される場合,生成したサンプルをMAP推定に導出する変動モード探索損失(VML)を提案する。 VMLは、KL(Kulback-Leibler)の拡散後$p(\mathbf{x}_0|\mathbf{x}_t)$と測定後$p(\mathbf{x}_0|\mathbf{y})$との発散を最小化する新しい視点から生じる。 重要なことに、線形逆問題に対して、VMLは解析的に導出することができ、近似する必要はない。 さらに理論的知見に基づいて,複数のデータセットにまたがる多様な画像復元タスクの広範な実験を通じて,逆問題の解法として実証的に有効なアルゴリズムであるVML-MAPを提案する。

関連論文リスト

• Geophysical inverse problems with measurement-guided diffusion models [0.4532517021515834]
  DPS(Diffusion Posterior Sampling)とPGDM(Pseudo-inverse Guided Diffusion Model)という2つのサンプリングアルゴリズムを提案する。 DPSでは、解の1ステップの denoising 推定から得られた残差に対して、モデリング演算子の随伴を応用して誘導項を得る。 一方、PGDMは擬逆演算子を用いており、これは一段階の分極解が決定論的でないことを起源としている。
  論文  参考訳（メタデータ） (2025-01-08T23:33:50Z)
• Enhancing Diffusion Models for Inverse Problems with Covariance-Aware Posterior Sampling [3.866047645663101]
  例えば、コンピュータビジョンでは、インペイント、デブロアリング、超解像といったタスクは、逆問題として効果的にモデル化できる。 DDPMは、追加のタスク固有のトレーニングを必要とせずに、線形逆問題に対する有望な解決策を提供する。
  論文  参考訳（メタデータ） (2024-12-28T06:17:44Z)
• 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)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
  そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。 我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-07-23T02:14:18Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• An Unconditional Representation of the Conditional Score in Infinite-Dimensional Linear Inverse Problems [5.340736751238338]
  線形逆問題に適した条件付きスコア関数の非条件表現を提案する。 条件付きスコアはアフィン変換を用いて訓練された(条件なし)スコアから正確に導出可能であることを示す。 我々のアプローチは無限次元函数空間で定式化され、本質的に離散化不変である。
  論文  参考訳（メタデータ） (2024-05-24T15:33:27Z)
• 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)
• 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。