論文の概要: Constrained Particle Seeking: Solving Diffusion Inverse Problems with Just Forward Passes
- arxiv url: http://arxiv.org/abs/2603.01837v1
- Date: Mon, 02 Mar 2026 13:15:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.88355
- Title: Constrained Particle Seeking: Solving Diffusion Inverse Problems with Just Forward Passes
- Title（参考訳）: 制約粒子探索:ただの前方通過による拡散逆問題の解法
- Authors: Hongkun Dou, Zike Chen, Zeyu Li, Hongjue Li, Lijun Yang, Yue Deng,
- Abstract要約: 逆問題に対する新しい勾配のないアプローチであるtextbfemphConstrained Particle Seeking (CPS) を導入する。
CPSは、逆問題を制約付き最適化タスクとして再構成し、より柔軟で効率的な粒子探索を可能にする。
我々はCPSが画像逆問題と科学的逆問題の両方を効果的に解き、勾配法に匹敵する結果が得られることを示した。
- 参考スコア（独自算出の注目度）: 15.706211881803542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models have gained prominence as powerful generative tools for solving inverse problems due to their ability to model complex data distributions. However, existing methods typically rely on complete knowledge of the forward observation process to compute gradients for guided sampling, limiting their applicability in scenarios where such information is unavailable. In this work, we introduce \textbf{\emph{Constrained Particle Seeking (CPS)}}, a novel gradient-free approach that leverages all candidate particle information to actively search for the optimal particle while incorporating constraints aligned with high-density regions of the unconditional prior. Unlike previous methods that passively select promising candidates, CPS reformulates the inverse problem as a constrained optimization task, enabling more flexible and efficient particle seeking. We demonstrate that CPS can effectively solve both image and scientific inverse problems, achieving results comparable to gradient-based methods while significantly outperforming gradient-free alternatives. Code is available at https://github.com/deng-ai-lab/CPS.
- Abstract（参考訳）: 拡散モデルは、複雑なデータ分布をモデル化する能力により、逆問題を解決する強力な生成ツールとして注目されている。
しかしながら、既存の手法は一般的に、ガイド付きサンプリングの勾配を計算するために前方観測プロセスの完全な知識に依存しており、そのような情報が利用できないシナリオでは適用範囲を制限している。
本研究では,非条件前の高密度領域に整合した制約を取り入れつつ,全ての候補粒子情報を利用して最適粒子を積極的に探索する,新しい勾配のないアプローチである「textbf{\emph{Constrained Particle Seeking (CPS) 」を紹介する。
有望な候補を受動的に選択する従来の方法とは異なり、CPSは逆問題を制約付き最適化タスクとして再構成し、より柔軟で効率的な粒子探索を可能にする。
我々はCPSが画像と科学的逆問題の両方を効果的に解き、勾配に基づく手法に匹敵する結果を得るとともに、勾配のない代替案を著しく上回る結果が得られることを示した。
コードはhttps://github.com/deng-ai-lab/CPSで入手できる。
関連論文リスト
- GAS: Improving Discretization of Diffusion ODEs via Generalized Adversarial Solver [120.67680383929081]
ODEサンプルの単純なパラメータ化を導入し、追加のトレーニングトリックを必要とせず、既存のアプローチよりも品質が向上する。
さらに, 本来の蒸留損失と逆行訓練を組み合わせることで, 人工物が軽減され, 細部忠実度が向上する。
論文 参考訳（メタデータ） (2025-10-20T16:14:38Z) - ReGuidance: A Simple Diffusion Wrapper for Boosting Sample Quality on Hard Inverse Problems [10.698572109242434]
簡単なラッパーであるReGuidanceを考案し、トレーニング不要の手法で実現したサンプルリアリズムと報酬の両方を向上する。
我々は,大箱 in-painting や高スケール超解像といったハード逆問題に対するラッパーの評価を行った。
論文 参考訳（メタデータ） (2025-06-12T17:55:17Z) - Enhancing Diffusion Models for Inverse Problems with Covariance-Aware Posterior Sampling [3.866047645663101]
例えば、コンピュータビジョンでは、インペイント、デブロアリング、超解像といったタスクは、逆問題として効果的にモデル化できる。
DDPMは、追加のタスク固有のトレーニングを必要とせずに、線形逆問題に対する有望な解決策を提供する。
論文 参考訳（メタデータ） (2024-12-28T06:17:44Z) - Improving Decoupled Posterior Sampling for Inverse Problems using Data Consistency Constraint [13.285652967956652]
本稿では,逆問題に対するGDPS ( Guided Decoupled Posterior Smpling) を提案する。
我々はこの手法を潜在拡散モデルとツイーディの公式に拡張する。
GDPSは最先端のパフォーマンスを実現し、既存の手法よりも精度を向上させる。
論文 参考訳（メタデータ） (2024-12-01T03:57:21Z) - Semi-Implicit Functional Gradient Flow for Efficient Sampling [30.32233517392456]
本稿では,ガウス雑音を近似系とする摂動粒子を用いた関数勾配ParVI法を提案する。
ニューラルネットワークと一致するスコアをデノナイズすることで推定できる機能的勾配流は,強い理論的収束保証を示す。
さらに,サンプリング中の適切な雑音の大きさを自動的に選択する適応バージョンを提案する。
論文 参考訳（メタデータ） (2024-10-23T15:00:30Z) - Gaussian is All You Need: A Unified Framework for Solving Inverse Problems via Diffusion Posterior Sampling [23.906176717739836]
拡散モデルは、複雑なデータ分布をモデル化することによって、様々な高品質な画像を生成することができる。
既存の拡散法の多くは、拡散逆サンプリングプロセス内の可能性関数を近似することにより、データ一貫性のステップを統合する。
本稿では,既存の近似が不十分であるか,あるいは計算的に非効率であることを示す。
論文 参考訳（メタデータ） (2024-09-13T15:20:03Z) - Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。
我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
論文 参考訳（メタデータ） (2024-07-23T02:14:18Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。
この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。
本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-02T09:06:10Z) - Faster One-Sample Stochastic Conditional Gradient Method for Composite
Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。
提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文 参考訳（メタデータ） (2022-02-26T19:10:48Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z)
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。