論文の概要: Measurement-Consistent Langevin Corrector: A Remedy for Latent Diffusion Inverse Solvers

• arxiv url: http://arxiv.org/abs/2601.04791v1
• Date: Thu, 08 Jan 2026 10:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.153081
• Title: Measurement-Consistent Langevin Corrector: A Remedy for Latent Diffusion Inverse Solvers
• Title（参考訳）: 測定一貫性ランゲヴィンコレクター:潜伏拡散逆問題に対する対策
• Authors: Lee Hyoseok, Sohwi Lim, Eunju Cha, Tae-Hyun Oh,
• Abstract要約: 遅延拡散逆解法は不安定性に悩まされ、望ましくないアーティファクトと劣化した品質を示す。 我々は,理論上は接地されたプラグ・アンド・プレイ補正モジュールであるMCLC(Messistent Langevin Corrector)を導入する。 従来の手法と比較して、MCLCはこの仮定なしで動作し、より安定で信頼性の高い振る舞いをもたらす。
• 参考スコア（独自算出の注目度）: 24.18139511731393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With recent advances in generative models, diffusion models have emerged as powerful priors for solving inverse problems in each domain. Since Latent Diffusion Models (LDMs) provide generic priors, several studies have explored their potential as domain-agnostic zero-shot inverse solvers. Despite these efforts, existing latent diffusion inverse solvers suffer from their instability, exhibiting undesirable artifacts and degraded quality. In this work, we first identify the instability as a discrepancy between the solver's and true reverse diffusion dynamics, and show that reducing this gap stabilizes the solver. Building on this, we introduce Measurement-Consistent Langevin Corrector (MCLC), a theoretically grounded plug-and-play correction module that remedies the LDM-based inverse solvers through measurement-consistent Langevin updates. Compared to prior approaches that rely on linear manifold assumptions, which often do not hold in latent space, MCLC operates without this assumption, leading to more stable and reliable behavior. We experimentally demonstrate the effectiveness of MCLC and its compatibility with existing solvers across diverse image restoration tasks. Additionally, we analyze blob artifacts and offer insights into their underlying causes. We highlight that MCLC is a key step toward more robust zero-shot inverse problem solvers.
• Abstract（参考訳）: 生成モデルの最近の進歩により、拡散モデルは各領域における逆問題を解決するための強力な先行モデルとして出現してきた。 Latent Diffusion Models (LDMs) は一般的な先行概念を提供するため、ドメインに依存しないゼロショット逆解法としての可能性を探る研究もいくつかある。 これらの努力にもかかわらず、既存の潜伏拡散逆解法はその不安定さに悩まされ、望ましくないアーティファクトと劣化した品質を示す。 そこで本研究では,まず,不安定性を解法と真の逆拡散力学の相違点として同定し,このギャップの縮小が解法を安定化させることを示す。 これに基づいて,Langevin Corrector (MCLC) を導入し,LCMベースの逆解器を計測一貫性のLangevin更新により修復する。 線形多様体の仮定に依存する以前のアプローチと比較すると、MCLCはこの仮定なしでは成り立たないので、より安定で信頼性の高い振る舞いをもたらす。 画像復元作業におけるMCLCの有効性と既存の解法との整合性について実験的に検証した。 さらに、ブロブアーティファクトを分析し、その根本原因に関する洞察を提供する。 MCLCはより堅牢なゼロショット逆問題解法への重要なステップである。

関連論文リスト

• FlowLPS: Langevin-Proximal Sampling for Flow-based Inverse Problem Solvers [51.56484100374058]
  FlowLPSは、Langevin Proximal Sampling (LPS)戦略を通じて、事前訓練されたフローモデルによる逆問題を解決する。 提案手法は, 多様体一貫性探索のためのランゲヴィン力学と, 高精度なモード探索のための近似最適化を統合し, 再現忠実度と知覚品質のバランスを良くする。
  論文  参考訳（メタデータ） (2025-12-08T04:18:13Z)
• Consistency Models as Plug-and-Play Priors for Inverse Problems [4.129847064263056]
  拡散逆問題解法は、非条件スコア関数と前方過程に関する後部近似の組み合わせを用いて測定されたデータの後部から標本化することを目的としている。 我々は, 塗装, 勾配ノイズ注入, 磁気共鳴画像再構成など, 様々な逆問題に対するアプローチを評価した。 私たちの知る限りでは、これがMRIでトレーニングされた初めてのCMです。
  論文  参考訳（メタデータ） (2025-09-25T20:27:56Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• DDRM-PR: Fourier Phase Retrieval using Denoising Diffusion Restoration Models [0.0]
  本稿では,デノナイジング拡散回復モデルの効率的かつ教師なしの後方サンプリングフレームワークを利用する。 この手法は、モデルベースの交互射影法とDDRMを組み合わせて、事前訓練された無条件拡散前処理を位相検索に利用する。
  論文  参考訳（メタデータ） (2025-01-06T14:18:23Z)
• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems [8.33626757808923]
  本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。 CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。 本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-17T12:06:04Z)
• Solving Inverse Problems with Latent Diffusion Models via Hard Data Consistency [7.671153315762146]
  画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。 非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。 我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
  論文  参考訳（メタデータ） (2023-07-16T18:42:01Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• 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。