論文の概要: Trajectory Stitching for Solving Inverse Problems with Flow-Based Models
- arxiv url: http://arxiv.org/abs/2602.08538v1
- Date: Mon, 09 Feb 2026 11:36:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.196296
- Title: Trajectory Stitching for Solving Inverse Problems with Flow-Based Models
- Title（参考訳）: フローベースモデルを用いた逆問題解法における軌道スティッチ
- Authors: Alexander Denker, Moshe Eliasof, Zeljko Kereta, Carola-Bibiane Schönlieb,
- Abstract要約: フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。
1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。
画像の回復と逆問題に対するMS-Flowの有効性を示す。
- 参考スコア（独自算出の注目度）: 68.36374645801901
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow-based generative models have emerged as powerful priors for solving inverse problems. One option is to directly optimize the initial latent code (noise), such that the flow output solves the inverse problem. However, this requires backpropagating through the entire generative trajectory, incurring high memory costs and numerical instability. We propose MS-Flow, which represents the trajectory as a sequence of intermediate latent states rather than a single initial code. By enforcing the flow dynamics locally and coupling segments through trajectory-matching penalties, MS-Flow alternates between updating intermediate latent states and enforcing consistency with observed data. This reduces memory consumption while improving reconstruction quality. We demonstrate the effectiveness of MS-Flow over existing methods on image recovery and inverse problems, including inpainting, super-resolution, and computed tomography.
- Abstract（参考訳）: フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。
1つの選択肢は、フロー出力が逆問題を解決するように、初期潜在コード(ノイズ)を直接最適化することである。
しかし、これは生成軌道全体を逆伝播させ、高いメモリコストと数値不安定性をもたらす。
1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。
トラジェクトリマッチングペナルティを通した流れのダイナミクスと結合セグメントを局所的に強制することにより、MS-Flowは中間潜水状態の更新と観測データとの整合性の維持を交互に行う。
これにより、リコンストラクション品質を改善しつつ、メモリ消費を削減できる。
画像の回復と逆問題に対するMS-Flowの有効性を示す。
関連論文リスト
- Bidirectional Normalizing Flow: From Data to Noise and Back [16.352742402707953]
生成モデリングの原則として正規化フロー(NF)が確立されている。
近年のTARFlowとその変種はトランスフォーマーと自己回帰流を組み合わせることでNF法を再活性化している。
BiFlowは、正確な分析逆の必要をなくすためのフレームワークです。
論文 参考訳（メタデータ） (2025-12-11T18:59:55Z) - Latent Refinement via Flow Matching for Training-free Linear Inverse Problem Solving [18.226350407462643]
LFlowは,事前学習した潜水前処理を用いて線形逆問題を解決するための学習自由フレームワークである。
提案手法は,ほとんどのタスクの再構成品質において,最先端の潜伏拡散解法よりも優れる。
論文 参考訳（メタデータ） (2025-11-08T21:20:59Z) - 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) - FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。
Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
論文 参考訳（メタデータ） (2025-03-11T07:56:14Z) - 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) - GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。
機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。
我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文 参考訳（メタデータ） (2021-11-26T18:59:56Z) - Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。
我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。
我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
論文 参考訳（メタデータ） (2020-04-08T09:07:11Z)
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。