論文の概要: Annealed Langevin Posterior Sampling (ALPS): A Rapid Algorithm for Image Restoration with Multiscale Energy Models

• arxiv url: http://arxiv.org/abs/2601.02594v1
• Date: Mon, 05 Jan 2026 22:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.744855
• Title: Annealed Langevin Posterior Sampling (ALPS): A Rapid Algorithm for Image Restoration with Multiscale Energy Models
• Title（参考訳）: Annealed Langevin Posterior Smpling (ALPS):マルチスケールエネルギーモデルによる画像復元の高速化
• Authors: Jyothi Rikhab Chand, Mathews Jacob,
• Abstract要約: エネルギーベースモデル(EBM)は歴史的に高い計算コストと訓練不安定性に悩まされてきた。 本稿では,最大A-Posteriori (MAP),最小平均角誤差 (MMSE) に対するAnnealed Langevin Posterior Smpling (ALPS) アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 6.5812718077838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving inverse problems in imaging requires models that support efficient inference, uncertainty quantification, and principled probabilistic reasoning. Energy-Based Models (EBMs), with their interpretable energy landscapes and compositional structure, are well-suited for this task but have historically suffered from high computational costs and training instability. To overcome the historical shortcomings of EBMs, we introduce a fast distillation strategy to transfer the strengths of pre-trained diffusion models into multi-scale EBMs. These distilled EBMs enable efficient sampling and preserve the interpretability and compositionality inherent to potential-based frameworks. Leveraging EBM compositionality, we propose Annealed Langevin Posterior Sampling (ALPS) algorithm for Maximum-A-Posteriori (MAP), Minimum Mean Square Error (MMSE), and uncertainty estimates for inverse problems in imaging. Unlike diffusion models that use complex guidance strategies for latent variables, we perform annealing on static posterior distributions that are well-defined and composable. Experiments on image inpainting and MRI reconstruction demonstrate that our method matches or surpasses diffusion-based baselines in both accuracy and efficiency, while also supporting MAP recovery. Overall, our framework offers a scalable and principled solution for inverse problems in imaging, with potential for practical deployment in scientific and clinical settings. ALPS code is available at the GitHub repository \href{https://github.com/JyoChand/ALPS}{ALPS}.
• Abstract（参考訳）: 画像における逆問題を解決するには、効率的な推論、不確実な定量化、原理化された確率的推論をサポートするモデルが必要である。 エネルギーベースモデル(EBM)は、解釈可能なエネルギー景観と構成構造を持ち、この課題には適しているが、歴史的に高い計算コストと訓練不安定さに悩まされてきた。 本研究では,ESMの歴史的欠点を克服するために,事前学習した拡散モデルの強度をマルチスケールのEMMに伝達する高速蒸留方式を導入する。 これらの蒸留されたESMは、ポテンシャルベースのフレームワークに固有の解釈可能性や構成性を効率的にサンプリングし、保存することができる。 EBMの構成性を活用して、最大A-ポストエリオーリ(MAP)、最小平均角誤差(MMSE)に対するAnaaled Langevin Posterior Sampling(ALPS)アルゴリズムを提案し、撮像における逆問題に対する不確かさを推定する。 潜伏変数に対する複雑な誘導戦略を用いる拡散モデルとは異なり、よく定義され構成可能な静的後続分布に対してアニールを行う。 画像インペインティングとMRI再構成の実験により, 精度, 効率ともに拡散ベースラインと一致し, MAPリカバリもサポートした。 全体として、我々のフレームワークは、画像の逆問題に対するスケーラブルで原則化された解決策を提供し、科学的、臨床的に実践的な展開の可能性を秘めている。 ALPSコードはGitHubリポジトリ \href{https://github.com/JyoChand/ALPS}{ALPS} で入手できる。

関連論文リスト

• Residual Diffusion Bridge Model for Image Restoration [57.31163715170476]
  拡散ブリッジモデルは任意のペア分布間の確率パスを確立する。 既存のほとんどの手法は単にそれらを補間剤の単純な変種として扱い、統一的な分析的視点を欠いている。 これらの課題に対処するために,Residual Diffusion Bridge Model (RDBM)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T08:35:49Z)
• DPBridge: Latent Diffusion Bridge for Dense Prediction [49.1574468325115]
  DPBridgeは、密度予測タスクのための最初の潜伏拡散ブリッジフレームワークである。 提案手法は,異なるシナリオ下での有効性と能力の一般化を実証し,優れた性能を継続的に達成する。
  論文  参考訳（メタデータ） (2024-12-29T15:50:34Z)
• Self-Consistent Nested Diffusion Bridge for Accelerated MRI Reconstruction [22.589087990596887]
  画像画像を用いたMRI画像再構成の課題に焦点をあてる。 拡散モデルの最近の進歩、特に拡散確率モデルのデノベーションは、画像先行をモデル化する上で強力な能力を示している。 我々は,MRI再構成の高速化をモデルとした自己持続性ネスト拡散橋(SC-NDB)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-13T09:35:34Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• A Unified Conditional Framework for Diffusion-based Image Restoration [39.418415473235235]
  画像復元のための拡散モデルに基づく統一条件付きフレームワークを提案する。 我々は、軽量なUNetを利用して初期ガイダンスと拡散モデルを予測し、指導の残余を学習する。 そこで本研究では,高解像度画像を扱うために,単純なステップ間パッチ分割方式を提案する。
  論文  参考訳（メタデータ） (2023-05-31T17:22:24Z)
• Persistently Trained, Diffusion-assisted Energy-based Models [18.135784288023928]
  我々は,拡散データを導入し,持続的トレーニングを通じて拡散補助EBMと呼ばれる共同ESMを学習する。 持続的に訓練されたESMは、長期安定、訓練後の画像生成、配当検出の精度の向上を同時に達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-21T02:29:18Z)

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。