論文の概要: Solving Inverse Problems with Flow-based Models via Model Predictive Control

• arxiv url: http://arxiv.org/abs/2601.23231v1
• Date: Fri, 30 Jan 2026 17:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.599008
• Title: Solving Inverse Problems with Flow-based Models via Model Predictive Control
• Title（参考訳）: モデル予測制御によるフローベースモデルによる逆問題の解法
• Authors: George Webber, Alexander Denker, Riccardo Barbano, Andrew J Reader,
• Abstract要約: MPC-Flowは制御サブプロブレムのシーケンスとしてフローベース生成モデルを用いて逆問題解決を定式化するモデル予測制御フレームワークである。 生成モデル軌道によるバックプロパゲーションを回避するレギュレーションを含む,異なるアルゴリズム選択が,ガイダンスアルゴリズムのスペクトルをいかに生み出すかを示す。
• 参考スコア（独自算出の注目度）: 41.551726534223704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow-based generative models provide strong unconditional priors for inverse problems, but guiding their dynamics for conditional generation remains challenging. Recent work casts training-free conditional generation in flow models as an optimal control problem; however, solving the resulting trajectory optimisation is computationally and memory intensive, requiring differentiation through the flow dynamics or adjoint solves. We propose MPC-Flow, a model predictive control framework that formulates inverse problem solving with flow-based generative models as a sequence of control sub-problems, enabling practical optimal control-based guidance at inference time. We provide theoretical guarantees linking MPC-Flow to the underlying optimal control objective and show how different algorithmic choices yield a spectrum of guidance algorithms, including regimes that avoid backpropagation through the generative model trajectory. We evaluate MPC-Flow on benchmark image restoration tasks, spanning linear and non-linear settings such as in-painting, deblurring, and super-resolution, and demonstrate strong performance and scalability to massive state-of-the-art architectures via training-free guidance of FLUX.2 (32B) in a quantised setting on consumer hardware.
• Abstract（参考訳）: フローベース生成モデルは、逆問題に対して強い非条件前処理を提供するが、条件生成のためにそれらの力学を導くことは依然として困難である。 最近の研究は、最適制御問題として、フローモデルにおけるトレーニング自由条件生成を推し進めているが、結果の軌跡最適化の解法は計算的かつメモリ集約的であり、フローダイナミクスや随伴解の微分を必要とする。 本稿では,フローベース生成モデルを用いた逆問題解を制御サブプロブレムの列として定式化するモデル予測制御フレームワーク MPC-Flow を提案する。 本稿では,MPC-Flowを最適制御対象にリンクすることの理論的保証と,生成モデル軌道によるバックプロパゲーションを回避するレギュレーションを含む,異なるアルゴリズム選択が,ガイダンスアルゴリズムのスペクトルをどのように生み出すかを示す。 我々は、ベンチマーク画像復元タスクにおけるMPC-Flowの評価を行い、インペインティング、デブロアリング、スーパーレゾリューションなどの直線的および非線形的な設定を網羅し、FLUX.2(32B)のトレーニング不要ガイダンスを消費者ハードウェア上の量子化環境で行うことにより、大規模最先端アーキテクチャに強力な性能とスケーラビリティを示す。

関連論文リスト

• 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)
• Stochastic Control for Fine-tuning Diffusion Models: Optimality, Regularity, and Convergence [19.484676783876306]
  拡散モデルは生成モデリングの強力なツールとして登場してきた。 微調整拡散モデルのための制御フレームワークを提案する。 PI-FTは線形速度で大域収束することを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:55:46Z)
• D-Flow: Differentiating through Flows for Controlled Generation [37.80603174399585]
  フローを微分することで生成プロセスを制御するフレームワークであるD-Flowを紹介する。 我々は、ガウス確率パスで訓練された拡散/FMモデルに対して、生成過程を微分することで、データ多様体の勾配を予測できるというキーとなる観察によって、この枠組みを動機付けている。 我々は,画像と音声の逆問題や条件分子生成など,線形および非線形に制御された生成問題に対する枠組みを検証する。
  論文  参考訳（メタデータ） (2024-02-21T18:56:03Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。