論文の概要: Score-Based Turbo Message Passing for Plug-and-Play Compressive Imaging

• arxiv url: http://arxiv.org/abs/2512.14435v1
• Date: Tue, 16 Dec 2025 14:24:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.743773
• Title: Score-Based Turbo Message Passing for Plug-and-Play Compressive Imaging
• Title（参考訳）: プラグアンドプレイ圧縮イメージングのためのスコアベースターボメッセージパッシング
• Authors: Chang Cai, Hao Jiang, Xiaojun Yuan, Ying-Jun Angela Zhang,
• Abstract要約: 圧縮画像回復のためのスコアベース最小平均二乗誤差(MMSE)デノイザを統合するアルゴリズムを考案する。 得られたアルゴリズムはスコアベースのターボメッセージパッシング(STMP)と呼ばれ、メッセージパッシングの高速収束とスコアベースの生成前のパワーを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 45.77515171733844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Message-passing algorithms have been adapted for compressive imaging by incorporating various off-the-shelf image denoisers. However, these denoisers rely largely on generic or hand-crafted priors and often fall short in accurately capturing the complex statistical structure of natural images. As a result, traditional plug-and-play (PnP) methods often lead to suboptimal reconstruction, especially in highly underdetermined regimes. Recently, score-based generative models have emerged as a powerful framework for accurately characterizing sophisticated image distribution. Yet, their direct use for posterior sampling typically incurs prohibitive computational complexity. In this paper, by exploiting the close connection between score-based generative modeling and empirical Bayes denoising, we devise a message-passing framework that integrates a score-based minimum mean-squared error (MMSE) denoiser for compressive image recovery. The resulting algorithm, named score-based turbo message passing (STMP), combines the fast convergence of message passing with the expressive power of score-based generative priors. For practical systems with quantized measurements, we further propose quantized STMP (Q-STMP), which augments STMP with a component-wise MMSE dequantization module. We demonstrate that the asymptotic performance of STMP and Q-STMP can be accurately predicted by a set of state-evolution (SE) equations. Experiments on the FFHQ dataset demonstrate that STMP strikes a significantly better performance-complexity tradeoff compared with competing baselines, and that Q-STMP remains robust even under 1-bit quantization. Remarkably, both STMP and Q-STMP typically converge within 10 iterations.
• Abstract（参考訳）: メッセージパッシングアルゴリズムは、様々なオフ・ザ・シェルフ画像デノイザを組み込んで圧縮撮像に応用されている。 しかし、これらのデノイザは概ね汎用的あるいは手作りの先行技術に依存しており、自然画像の複雑な統計構造を正確に捉えるには不十分であることが多い。 結果として、従来のプラグアンドプレイ法(PnP)は、特に過度に決定された体制において、最適以下の再構築につながることがしばしばある。 近年,高精細な画像分布を正確に特徴付けるための強力なフレームワークとして,スコアベース生成モデルが登場している。 しかし、後部サンプリングの直接的な使用は、典型的には計算の複雑さを禁止している。 本稿では、スコアベース生成モデルと経験的ベイズ復調の密接な関係を利用して、スコアベース最小平均二乗誤差(MMSE)デノイザを統合して圧縮画像復元を行うメッセージパスフレームワークを提案する。 得られたアルゴリズムはスコアベースのターボメッセージパッシング(STMP)と呼ばれ、メッセージパッシングの高速収束とスコアベースの生成前の表現力を組み合わせたものである。 実測値を持つ実測システムでは、さらに量子化STMP(Q-STMP)を提案し、コンポーネントワイドMMSEデクエント化モジュールでSTMPを増強する。 我々は,STMPとQ-STMPの漸近性能を,状態進化方程式の集合によって正確に予測できることを実証した。 FFHQデータセットの実験では、STMPは競合するベースラインと比較して大幅にパフォーマンスと複雑さのトレードオフを達成しており、Q-STMPは1ビット量子化の下でも堅牢である。 注目すべきは、STMPとQ-STMPの両方が10イテレーション以内に収束することである。

関連論文リスト

• Matrix product state approach to lossy boson sampling and noisy IQP sampling [0.7066293026438526]
  損失ボソンサンプリングとノイズのある瞬時量子時間サンプリングのための古典的アルゴリズムを開発した。 我々のアルゴリズムは精度と効率のトレードオフを大幅に改善する。 さらに、MPSシミュレーションの適用性を、ノイズの多い量子サンプリングモデルのより広範なクラスに拡張する。
  論文  参考訳（メタデータ） (2025-10-28T07:23:10Z)
• Enhancing Generalization in Data-free Quantization via Mixup-class Prompting [8.107092196905157]
  ポストトレーニング量子化(PTQ)は効率を向上するが、特にプライバシー上の制約の下では、限られたキャリブレーションデータに悩まされる。 データフリー量子化(DFQ)は、生成逆数ネットワーク(GAN)やテキスト条件潜在拡散モデル(LDM)などの生成モデルを用いて合成画像を生成することでこれを緩和する。 テキストプロンプトレベルで複数のクラスラベルを融合させて,多種多様な堅牢な合成データを生成する混合テキストプロンプトであるtextbfmixup-class prompt を提案する。
  論文  参考訳（メタデータ） (2025-07-29T16:00:20Z)
• MPQ-DMv2: Flexible Residual Mixed Precision Quantization for Low-Bit Diffusion Models with Temporal Distillation [74.34220141721231]
  我々は,textbfMixed textbfPrecision textbfQuantizationフレームワークを改良したMPQ-DMv2を提案する。
  論文  参考訳（メタデータ） (2025-07-06T08:16:50Z)
• FIMA-Q: Post-Training Quantization for Vision Transformers by Fisher Information Matrix Approximation [55.12070409045766]
  ポストトレーニング量子化(PTQ)は近年,費用対効果と有望なモデル圧縮パラダイムとして注目されている。 ビジョン変換器(ViT)の現在のPTQ法は、特に低ビット量子化において、精度が著しく低下している。
  論文  参考訳（メタデータ） (2025-06-13T07:57:38Z)
• Score-Based Turbo Message Passing for Plug-and-Play Compressive Image Recovery [24.60447255507278]
  オフ・ザ・シェルフのイメージ・デノイザは概して、一般的なまたは手作りの先駆者に依存している。 我々は, スコアベース最小二乗誤差(MMSE)デノイザを統合した, 圧縮画像復元のためのメッセージパッシングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-28T04:30:58Z)
• FD-LSCIC: Frequency Decomposition-based Learned Screen Content Image Compression [67.34466255300339]
  本稿では、SC画像圧縮における3つの重要な課題として、コンパクトな潜時特徴の学習、量子化ステップのサイズの適応、大規模なSCデータセットの欠如について述べる。 適応量子化モジュールを導入し、各周波数成分のスケールした均一ノイズを学習し、量子化の粒度を柔軟に制御する。 SDU-SCICD10Kは,基本SC画像,コンピュータレンダリング画像,およびPCおよびモバイルプラットフォームからのNSとSCの混合画像にまたがる1万以上の画像を含む,大規模なSC画像圧縮データセットを構築した。
  論文  参考訳（メタデータ） (2025-02-21T03:15:16Z)
• A Novel Approach to Threshold Quantum Images by using Unsharp Measurements [0.8287206589886881]
  本研究では、未シャープ測定により、グレースケール画像のしきい値とバイナライズのためのハイブリッド量子アプローチを提案する。 提案手法は、重複するガウスのピークと、隣接する局所ミニマの間の距離を分散として利用する。 得られたしきい値を用いて、しきい値エンコーダと統合された新しい量子画像表現を用いて、グレースケール画像をバイナライズする。
  論文  参考訳（メタデータ） (2023-10-16T18:34:40Z)
• Degradation-Aware Unfolding Half-Shuffle Transformer for Spectral Compressive Imaging [142.11622043078867]
  圧縮画像と物理マスクからパラメータを推定し,これらのパラメータを用いて各イテレーションを制御する,DAUF(Degradation-Aware Unfolding Framework)を提案する。 HST を DAUF に接続することにより,HSI 再構成のための変換器の深部展開法であるデグレーション・アウェア・アンフォールディング・ハーフシャッフル変換器 (DAUHST) を確立した。
  論文  参考訳（メタデータ） (2022-05-20T11:37:44Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)

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。