論文の概要: SURE Guided Posterior Sampling: Trajectory Correction for Diffusion-Based Inverse Problems

• arxiv url: http://arxiv.org/abs/2512.23232v1
• Date: Mon, 29 Dec 2025 06:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.418733
• Title: SURE Guided Posterior Sampling: Trajectory Correction for Diffusion-Based Inverse Problems
• Title（参考訳）: SUREガイドによる後方サンプリング:拡散に基づく逆問題に対する軌道補正
• Authors: Minwoo Kim, Hongki Lim,
• Abstract要約: SURE Guided Posterior Sampling (SGPS) は、Stein's Unbiased Risk Estimate (SURE) 勾配更新とPCAに基づくノイズ推定を用いて、軌道偏差をサンプリングする手法である。 臨界初期および中期サンプリング段階におけるノイズ誘起誤差を緩和することにより、SGPSはより正確な後方サンプリングを可能にし、エラーの蓄積を低減する。
• 参考スコア（独自算出の注目度）: 3.316246785187655
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion models have emerged as powerful learned priors for solving inverse problems. However, current iterative solving approaches which alternate between diffusion sampling and data consistency steps typically require hundreds or thousands of steps to achieve high quality reconstruction due to accumulated errors. We address this challenge with SURE Guided Posterior Sampling (SGPS), a method that corrects sampling trajectory deviations using Stein's Unbiased Risk Estimate (SURE) gradient updates and PCA based noise estimation. By mitigating noise induced errors during the critical early and middle sampling stages, SGPS enables more accurate posterior sampling and reduces error accumulation. This allows our method to maintain high reconstruction quality with fewer than 100 Neural Function Evaluations (NFEs). Our extensive evaluation across diverse inverse problems demonstrates that SGPS consistently outperforms existing methods at low NFE counts.
• Abstract（参考訳）: 拡散モデルは、逆問題を解決するための強力な学習先として現れてきた。 しかし、拡散サンプリングとデータ一貫性のステップを交互に行う現在の反復解法は、一般的に、蓄積されたエラーのために高品質な再構成を達成するために、数百から数千のステップを必要とする。 この課題は、Stein's Unbiased Risk Estimate (SURE) 勾配更新とPCAに基づくノイズ推定を用いて、軌道偏差のサンプリングを補正するSURE Guided Posterior Smpling (SGPS) を用いて解決する。 臨界初期および中期サンプリング段階におけるノイズ誘起誤差を緩和することにより、SGPSはより正確な後方サンプリングを可能にし、エラーの蓄積を低減する。 これにより,NFE (Neural Function Evaluations) を100未満で維持できる。 多様な逆問題に対する広範囲な評価は、SGPSがNFEの低い数値で既存の手法を一貫して上回っていることを示している。

関連論文リスト

• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements [46.03835001280626]
  現在の後方サンプリング法は、測定結果を後方サンプリングに取り込み、対象データの分布を推定する。 我々は,早期に高周波情報を早期に導入し,より大きな後部推定誤差を生じさせることを示す。 本稿では, 後方推定法として, 工法計測(逆演示法による雑音測定)を取り入れた新しい拡散後サンプリング法DPS-CMを提案する。
  論文  参考訳（メタデータ） (2024-11-15T00:06:57Z)
• 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)
• 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)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)

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。