論文の概要: Analyzing and Guiding Zero-Shot Posterior Sampling in Diffusion Models

• arxiv url: http://arxiv.org/abs/2602.07715v1
• Date: Sat, 07 Feb 2026 21:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.772861
• Title: Analyzing and Guiding Zero-Shot Posterior Sampling in Diffusion Models
• Title（参考訳）: 拡散モデルにおけるゼロショット後部サンプリングの解析と誘導
• Authors: Roi Benita, Michael Elad, Joseph Keshet,
• Abstract要約: 本稿では、前者のガウス性仮定に依拠して、そのような近似した後方サンプルの厳密な解析を提案する。 理想的な後部サンプリングと拡散に基づく再構成アルゴリズムの両方がクローズド形式で表現可能であることを示す。
• 参考スコア（独自算出の注目度）: 28.599984631773093
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recovering a signal from its degraded measurements is a long standing challenge in science and engineering. Recently, zero-shot diffusion based methods have been proposed for such inverse problems, offering a posterior sampling based solution that leverages prior knowledge. Such algorithms incorporate the observations through inference, often leaning on manual tuning and heuristics. In this work we propose a rigorous analysis of such approximate posterior-samplers, relying on a Gaussianity assumption of the prior. Under this regime, we show that both the ideal posterior sampler and diffusion-based reconstruction algorithms can be expressed in closed-form, enabling their thorough analysis and comparisons in the spectral domain. Building on these representations, we also introduce a principled framework for parameter design, replacing heuristic selection strategies used to date. The proposed approach is method-agnostic and yields tailored parameter choices for each algorithm, jointly accounting for the characteristics of the prior, the degraded signal, and the diffusion dynamics. We show that our spectral recommendations differ structurally from standard heuristics and vary with the diffusion step size, resulting in a consistent balance between perceptual quality and signal fidelity.
• Abstract（参考訳）: 劣化した測定値から信号を復元することは、科学と工学における長年の課題である。 近年,そのような逆問題に対してゼロショット拡散法が提案され,先行知識を利用した後続サンプリング法が提案されている。 このようなアルゴリズムは、しばしば手動のチューニングやヒューリスティックスに頼って、推論による観察を取り入れている。 本研究では、前者のガウス性仮定に依拠して、そのような近似した後方サンプルの厳密な解析を提案する。 この体制下では、理想的な後部サンプリングアルゴリズムと拡散に基づく再構成アルゴリズムの両方がクローズド形式で表現できることを示し、スペクトル領域におけるその徹底的な解析と比較を可能にする。 また、これらの表現に基づいてパラメータ設計の原則的枠組みを導入し、これまではヒューリスティックな選択戦略を置き換えた。 提案手法は手法に依存しない手法であり, 前者の特性, 劣化信号, 拡散力学を共同で考慮し, 各アルゴリズムのパラメータ選択を行う。 提案手法は, 標準ヒューリスティックと構造的に異なり, 拡散段数によって異なることを示し, 知覚品質と信号忠実度とのバランスが整ったことを示す。

関連論文リスト

• A Recovery Theory for Diffusion Priors: Deterministic Analysis of the Implicit Prior Algorithm [5.71305698739856]
  高次元劣化測定は、逆問題における中心的な課題である。 生成拡散モデルにおける最近の進歩は、強力なデータ駆動型前駆体の提供において、顕著な実証的な成功を示している。
  論文  参考訳（メタデータ） (2025-09-24T19:35:23Z)
• Benchmarking Diffusion Annealing-Based Bayesian Inverse Problem Solvers [4.429516572803286]
  本研究は拡散モデルに基づくサンプリング器の性能評価のための3つのベンチマーク問題を紹介する。 ベンチマーク問題は、画像インペイント、X線トモグラフィー、位相検索の問題にインスパイアされている。 この設定では、近似的な接地トラス後部サンプルを得ることができ、後部サンプリングアルゴリズムの性能を原則的に評価することができる。
  論文  参考訳（メタデータ） (2025-03-04T21:07:15Z)
• 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 Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Parameterizing uncertainty by deep invertible networks, an application to reservoir characterization [0.9176056742068814]
  フルウェーブフォーム逆転に対する不確かさの定量化は、問題の条件の不確かさを確率論的に特徴づける。 本研究では,モデル空間へのガウス的ランダム入力を,実際の後部分布からサンプリングしたかのように「前方」に学習するディープネットワークを特徴とするアプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-16T18:37:56Z)

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。