論文の概要: Weak Diffusion Priors Can Still Achieve Strong Inverse-Problem Performance

• arxiv url: http://arxiv.org/abs/2601.22443v1
• Date: Fri, 30 Jan 2026 01:25:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.14524
• Title: Weak Diffusion Priors Can Still Achieve Strong Inverse-Problem Performance
• Title（参考訳）: 弱拡散先物は依然として逆プロブレムの強い性能を達成できる
• Authors: Jing Jia, Wei Yuan, Sifan Liu, Liyue Shen, Guanyang Wang,
• Abstract要約: 逆解法が拡散先行の弱さに対して頑健である時期と理由について検討する。 測定が極めて有益である場合には、弱い先入観が成功する。 これらの結果は、弱い拡散前処理を確実に使用できる場合に、原理化された正当化を与える。
• 参考スコア（独自算出の注目度）: 16.846786486601964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can a diffusion model trained on bedrooms recover human faces? Diffusion models are widely used as priors for inverse problems, but standard approaches usually assume a high-fidelity model trained on data that closely match the unknown signal. In practice, one often must use a mismatched or low-fidelity diffusion prior. Surprisingly, these weak priors often perform nearly as well as full-strength, in-domain baselines. We study when and why inverse solvers are robust to weak diffusion priors. Through extensive experiments, we find that weak priors succeed when measurements are highly informative (e.g., many observed pixels), and we identify regimes where they fail. Our theory, based on Bayesian consistency, gives conditions under which high-dimensional measurements make the posterior concentrate near the true signal. These results provide a principled justification on when weak diffusion priors can be used reliably.
• Abstract（参考訳）: 寝室で訓練された拡散モデルが人間の顔を回復できるか? 拡散モデルは逆問題の前駆体として広く使われているが、標準的なアプローチは通常、未知の信号と密に一致したデータに基づいて訓練された高忠実度モデルを想定している。 実際には、前もって不一致または低忠実な拡散を使わなければならないことが多い。 驚くべきことに、これらの弱い先駆者は多くの場合、完全なドメイン内ベースラインと同等に機能する。 逆解法が拡散先行の弱さに対して頑健である時期と理由について検討する。 広範にわたる実験により、測定が極めて情報性の高い場合(例えば、多くの観察されたピクセル)に弱い先行が成功することが分かり、それらが失敗する状況を特定する。 ベイズ的整合性に基づく我々の理論は、高次元の測定が後部を真の信号の近くに集中させる条件を与える。 これらの結果は、弱い拡散前処理を確実に使用できる場合に、原理化された正当化を与える。

関連論文リスト

• RDDPM: Robust Denoising Diffusion Probabilistic Model for Unsupervised Anomaly Segmentation [1.4103597881677858]
  拡散モデルの最近の進歩は、教師なしの異常セグメンテーションにおいて大きな成功を収めている。 本研究では, 汚染された(正規データと異常データの混合)データのみを利用できるシナリオに対して, 頑健な拡散モデルを提案する。 我々の手法は既存の拡散に基づくアプローチよりも優れており、最大8.08%のAUROCと10.37%のAUPRCをMVTecデータセット上で達成する。
  論文  参考訳（メタデータ） (2025-08-04T21:10:26Z)
• When are Diffusion Priors Helpful in Sparse Reconstruction? A Study with Sparse-view CT [15.50410096185811]
  画像再構成の先行として拡散モデルの有用性について検討する。 我々は、ピクセルベースの、構造的、下流のメトリクスを用いて、それらのパフォーマンスを古典的な先行(スパースとティホノフの正規化)と比較する。 拡散先行は、非常に少ない観測で大量の詳細を捉えることができ、古典的先行よりも著しく優れていた。
  論文  参考訳（メタデータ） (2025-02-04T23:28:21Z)
• 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)
• Learning Diffusion Priors from Observations by Expectation Maximization [10.704978219090039]
  不完全および雑音のみから拡散モデルをトレーニングするための新しい手法であるDEMを提案する。 以前の研究とは異なり、DEMは適切な拡散モデルをもたらし、下流のタスクに不可欠である。
  論文  参考訳（メタデータ） (2024-05-22T15:04:06Z)
• DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
  拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。 事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。 このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
  論文  参考訳（メタデータ） (2022-11-01T08:18:07Z)

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。