論文の概要: Bayesian Signal Component Decomposition via Diffusion-within-Gibbs Sampling

• arxiv url: http://arxiv.org/abs/2602.10792v1
• Date: Wed, 11 Feb 2026 12:34:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.853834
• Title: Bayesian Signal Component Decomposition via Diffusion-within-Gibbs Sampling
• Title（参考訳）: Diffusion-within-Gibbs サンプリングによるベイズ信号成分分解
• Authors: Yi Zhang, Rui Guo, Yonina C. Eldar,
• Abstract要約: 信号処理では、興味のあるコンポーネントの見積もりは重要な前処理ステップである。 Gibbs サンプリングと Plug-and-play ( DiG) を組み合わせた信号成分分解のためのフレームワークを開発する。 近年提案された拡散型サンプリング器のクラス拡張として解釈でき, センシング演算子の適切なクラスに対しては, 測定構造をよりよく活用できることが示される。
• 参考スコア（独自算出の注目度）: 63.87118366026116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In signal processing, the data collected from sensing devices is often a noisy linear superposition of multiple components, and the estimation of components of interest constitutes a crucial pre-processing step. In this work, we develop a Bayesian framework for signal component decomposition, which combines Gibbs sampling with plug-and-play (PnP) diffusion priors to draw component samples from the posterior distribution. Unlike many existing methods, our framework supports incorporating model-driven and data-driven prior knowledge into the diffusion prior in a unified manner. Moreover, the proposed posterior sampler allows component priors to be learned separately and flexibly combined without retraining. Under suitable assumptions, the proposed DiG sampler provably produces samples from the posterior distribution. We also show that DiG can be interpreted as an extension of a class of recently proposed diffusion-based samplers, and that, for suitable classes of sensing operators, DiG better exploits the structure of the measurement model. Numerical experiments demonstrate the superior performance of our method over existing approaches.
• Abstract（参考訳）: 信号処理において、センサ装置から収集されたデータは、しばしば複数のコンポーネントのノイズの多い線形重ね合わせであり、興味のあるコンポーネントの見積もりは、重要な前処理ステップを構成する。 本研究では,ギブスサンプリングとプラグ・アンド・プレイ拡散(PnP)を併用した信号成分分解のためのベイズフレームワークを開発し,後部分布から成分サンプルを抽出する。 多くの既存手法とは異なり、我々のフレームワークはモデル駆動とデータ駆動の事前知識を統一された方法で拡散するのをサポートする。 さらに、提案した後部サンプリング器は、部品の事前を別々に学習し、再学習することなく柔軟に組み合わせることができる。 適切な仮定の下で、提案したDiGサンプリング器は、後部分布から試料を確実に生成する。 また、近年提案されている拡散型サンプリング器のクラスの拡張として解釈でき、センシング演算子のクラスに適した場合、DIGは測定モデルの構造をよりよく活用できることを示す。 数値実験により,提案手法の既存手法よりも優れた性能を示す。

関連論文リスト

• TAG:Tangential Amplifying Guidance for Hallucination-Resistant Diffusion Sampling [53.61290359948953]
  タンジェンシャル増幅誘導(TAG)は、下層の拡散モデルを変更することなく、軌道信号のみで動作する。 この誘導過程を1次テイラー展開を利用して定式化する。 TAGは、最小限の計算加算で拡散サンプリング忠実度を改善する、プラグアンドプレイのアーキテクチャに依存しないモジュールである。
  論文  参考訳（メタデータ） (2025-10-06T06:53:29Z)
• Split Gibbs Discrete Diffusion Posterior Sampling [34.50596218478358]
  そこで本研究では,分割ギブズサンプリングに基づくプラグアンドプレイ離散拡散後サンプリングアルゴリズムを提案する。 本アルゴリズムは,離散状態空間における逆問題の生成と解決を可能にする。
  論文  参考訳（メタデータ） (2025-03-03T04:20:14Z)
• A Mixture-Based Framework for Guiding Diffusion Models [19.83064246586143]
  デノナイジング拡散モデルはベイズ逆問題(英語版)の分野において大きな進歩をもたらした。 近年のアプローチでは、事前学習した拡散モデルを用いて、そのような問題を広範囲に解決している。 本研究はこれらの中間分布の新たな混合近似を提案する。
  論文  参考訳（メタデータ） (2025-02-05T16:26:06Z)
• Arbitrary-steps Image Super-resolution via Diffusion Inversion [68.78628844966019]
  本研究では,拡散インバージョンに基づく新しい画像超解像(SR)手法を提案する。 本研究では,拡散モデルの中間状態を構築するための部分雑音予測戦略を設計する。 トレーニングが完了すると、このノイズ予測器を使用して、拡散軌道に沿ってサンプリングプロセスを部分的に初期化し、望ましい高分解能結果を生成する。
  論文  参考訳（メタデータ） (2024-12-12T07:24:13Z)
• 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)
• Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors [21.0128625037708]
  提案手法は, 分割・分散型後方サンプリング方式である。 これにより、再トレーニングを必要とせずに、現在のテクニックに関連する近似誤差を低減することができる。 ベイズ逆問題に対するアプローチの汎用性と有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T01:47:24Z)
• Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
  拡散モデルを用いた重畳音源の分離手法を提案する。 高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。 提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
  論文  参考訳（メタデータ） (2023-06-26T04:12:40Z)
• Theory inspired deep network for instantaneous-frequency extraction and signal components recovery from discrete blind-source data [1.6758573326215689]
  本稿では、未知の信号成分を回収する逆問題と周波数の抽出について考察する。 既存の分解法やアルゴリズムでは、この逆問題を解くことはできない。 本稿では、ブラインドソース信号の非一様サンプリングが可能な離散サンプルセットを直接ベースとしたディープニューラルネットワークの合成を提案する。
  論文  参考訳（メタデータ） (2020-01-31T18:54:00Z)

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。