論文の概要: U-DAVI: Uncertainty-Aware Diffusion-Prior-Based Amortized Variational Inference for Image Reconstruction

• arxiv url: http://arxiv.org/abs/2602.11704v1
• Date: Thu, 12 Feb 2026 08:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.720772
• Title: U-DAVI: Uncertainty-Aware Diffusion-Prior-Based Amortized Variational Inference for Image Reconstruction
• Title（参考訳）: U-DAVI:画像再構成のための不確かさを意識した拡散-Prior-based Amortized Variational Inference
• Authors: Ayush Varshney, Katherine L. Bouman, Berthy T. Feng,
• Abstract要約: Ill-posed Imaging inverse problem because theambiguity in theambiguity in the degraded observed to clean image。 補正された変分推論フレームワークは、測定から後方への直接マッピングを学習することで、この非効率性に対処する。 我々は,不確実性評価によって導かれる,空間適応的摂動をトレーニング中の測定に注入し,最も不確実な地域での学習を強調することで,償却フレームワークを拡張した。
• 参考スコア（独自算出の注目度）: 10.273906387994902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ill-posed imaging inverse problems remain challenging due to the ambiguity in mapping degraded observations to clean images. Diffusion-based generative priors have recently shown promise, but typically rely on computationally intensive iterative sampling or per-instance optimization. Amortized variational inference frameworks address this inefficiency by learning a direct mapping from measurements to posteriors, enabling fast posterior sampling without requiring the optimization of a new posterior for every new set of measurements. However, they still struggle to reconstruct fine details and complex textures. To address this, we extend the amortized framework by injecting spatially adaptive perturbations to measurements during training, guided by uncertainty estimates, to emphasize learning in the most uncertain regions. Experiments on deblurring and super-resolution demonstrate that our method achieves superior or competitive performance to previous diffusion-based approaches, delivering more realistic reconstructions without the computational cost of iterative refinement.
• Abstract（参考訳）: Ill-posed Imaging inverse problem because theambiguity in theambiguity in the degraded observed to clean image。 拡散に基づく生成の先駆者は近年、将来性を示しているが、典型的には計算集約的な反復サンプリングやインスタンスごとの最適化に依存している。 Amortized variational inference frameworkは、測定から後方への直接マッピングを学習することで、新しい測定セットごとに新しい後方の最適化を必要とせずに、高速な後方サンプリングを可能にすることで、この非効率に対処する。 しかし、細部や複雑なテクスチャの再構築に苦慮している。 これを解決するために,不確実性推定によって導かれる空間適応的摂動をトレーニング中の測定に注入し,最も不確実な領域での学習を強調することにより,アモータイズフレームワークを拡張した。 難解化実験と超解像化実験により,本手法は従来の拡散法よりも優れた,あるいは競争的な性能を達成し,反復改良の計算コストを伴わずに,より現実的な再構築を実現することを示した。

関連論文リスト

• Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
  逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。 結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
  論文  参考訳（メタデータ） (2025-11-23T14:37:59Z)
• Frequency-Guided Posterior Sampling for Diffusion-Based Image Restoration [35.35400265928447]
  本稿では,既存の拡散型修復法に対する簡単な修正を提案する。 本手法では,周波数領域における時間変化の少ない低域通過フィルタを提案する。 本稿では,その基礎となるデータ分布に基づいて,この周波数スケジュールの適応カリキュラムを開発する。
  論文  参考訳（メタデータ） (2024-11-22T18:31:02Z)
• 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)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)
• DiracDiffusion: Denoising and Incremental Reconstruction with Assured Data-Consistency [24.5360032541275]
  拡散モデルは、画像復元を含む多数のコンピュータビジョンタスクにおいて、この技術の新たな状態を確立した。 逆問題解決のための新しい枠組みを提案する。つまり、観測は徐々に劣化し、元のクリーンイメージにノイズを与える劣化過程から来ていると仮定する。 本手法は, 逆過程を通じて元の計測値との整合性を維持し, 歪み指標の改善と早期ストッピングによるサンプリング高速化のために, 知覚品質のトレードオフに優れた柔軟性を実現する。
  論文  参考訳（メタデータ） (2023-03-25T04:37:20Z)

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。