論文の概要: Stochastic Generative Plug-and-Play Priors

• arxiv url: http://arxiv.org/abs/2604.03603v1
• Date: Sat, 04 Apr 2026 06:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.664718
• Title: Stochastic Generative Plug-and-Play Priors
• Title（参考訳）: 確率的生成プラグアンドプレイプリミティブ
• Authors: Chicago Y. Park, Edward P. Chandler, Yuyang Hu, Michael T. McCann, Cristina Garcia-Cardona, Brendt Wohlberg, Ulugbek S. Kamilov,
• Abstract要約: プラグイン・アンド・プレイ(M)法は,デノイザを最適化アルゴリズムに組み込むことで,逆画像問題の解決に広く用いられている。 スコアベース拡散モデル (SBDM) は近年, 様々なレベルにわたって訓練されたデノイザーを用いて, 強力な生成性能を示した。 逆拡散サンプリングに頼ることなく、フレームワーク内でSBDMを事前に体系的に使用する方法は不明だ。
• 参考スコア（独自算出の注目度）: 9.429516239444922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plug-and-play (PnP) methods are widely used for solving imaging inverse problems by incorporating a denoiser into optimization algorithms. Score-based diffusion models (SBDMs) have recently demonstrated strong generative performance through a denoiser trained across a wide range of noise levels. Despite their shared reliance on denoisers, it remains unclear how to systematically use SBDMs as priors within the PnP framework without relying on reverse diffusion sampling. In this paper, we establish a score-based interpretation of PnP that justifies using pretrained SBDMs directly within PnP algorithms. Building on this connection, we introduce a stochastic generative PnP (SGPnP) framework that injects noise to better leverage the expressive generative SBDM priors, thereby improving robustness in severely ill-posed inverse problems. We provide a new theory showing that this noise injection induces optimization on a Gaussian-smoothed objective and promotes escape from strict saddle points. Experiments on challenging inverse tasks, such as multi-coil MRI reconstruction and large-mask natural image inpainting, demonstrate consistent improvement over conventional PnP methods and achieve performance competitive with diffusion-based solvers.
• Abstract（参考訳）: PnP(Plug-and-play)法は,デノイザを最適化アルゴリズムに組み込むことで,画像逆問題の解法として広く用いられている。 スコアベース拡散モデル (SBDM) は, 幅広い騒音レベルで訓練されたデノイザーを用いて, 強い生成性能を示した。 しかし, 逆拡散サンプリングに頼らずに, SBDMをPnPフレームワークの先駆体として体系的に利用する方法はいまだ不明である。 本稿では,事前学習したSBDMをPnPアルゴリズム内で直接使用することを正当化するPnPのスコアベース解釈を確立する。 この接続に基づいて, 雑音を注入し, 表現的生成的SBDM先行特性をよりよく活用する確率的生成的PnP (SGPnP) フレームワークを導入する。 本稿では,このノイズ注入がガウス平滑な目的に対して最適化を誘導し,厳密なサドル点からの脱出を促進することを示す新しい理論を提案する。 マルチコイルMRI再構成や大型マスク自然画像のインペイントなどの逆問題に対する実験は、従来のPnP法よりも一貫した改善を示し、拡散に基づく解法と競合する性能を実現する。

関連論文リスト

• Integrating Reweighted Least Squares with Plug-and-Play Diffusion Priors for Noisy Image Restoration [6.402777145722335]
  インパルスノイズを含む一般的なノイズの頑健な除去のための生成拡散先に基づくプラグアンドプレイ画像復元フレームワークを提案する。 評価実験の結果,提案手法は非ガウス的インパルスノイズを効果的に除去し,復元性能が向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T08:11:20Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Plug-and-Play Priors as a Score-Based Method [10.533522753705599]
  プラグ・アンド・プレイ (pn) 法は, 物理測定モデルと事前学習した深度デノイザを組み込むことにより, 逆問題の解法として広く用いられている。 スコアベース拡散モデル(SBM)は、画像のスコアを表すディープディープデノイザによる画像生成のための強力なフレームワークとして最近登場した。
  論文  参考訳（メタデータ） (2024-12-15T08:10:39Z)
• 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)
• PnP-Flow: Plug-and-Play Image Restoration with Flow Matching [9.589644878034553]
  本稿では,逆画像問題の解法であるPlug-and-Play Flow Matchingを提案する。 我々は,デノイング,スーパーレゾリューション,インペインティングのタスクにおける性能を評価した。
  論文  参考訳（メタデータ） (2024-10-03T12:13:56Z)
• Prior Mismatch and Adaptation in PnP-ADMM with a Nonconvex Convergence Analysis [20.63188897629508]
  Plug-and-Playは、逆イメージング問題を解決するために広く使われているファミリーメソッドである。 ディープ・メソッドは、前者が強力なデノイザを用いて得られるとき、最先端の性能を達成することが示されている。
  論文  参考訳（メタデータ） (2023-09-29T20:49:00Z)
• Score-Guided Intermediate Layer Optimization: Fast Langevin Mixing for Inverse Problem [97.64313409741614]
  ランダム重み付きDNNジェネレータを反転させるため,Langevinアルゴリズムの定常分布を高速に混合し,特徴付ける。 本稿では,事前学習した生成モデルの潜時空間における後部サンプリングを提案する。
  論文  参考訳（メタデータ） (2022-06-18T03:47:37Z)
• Recovery Analysis for Plug-and-Play Priors using the Restricted Eigenvalue Condition [48.08511796234349]
  本稿では, プラグアンドプレイ先行(ノイズ)の理論的回復保証の確立方法と, RED法による正規化について述べる。 以上の結果から,事前学習したアーティファクト除去ネットワークを用いたモデルの方が,既存の最先端手法と比較して有意に優れた結果が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-06-07T14:45:38Z)

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。