論文の概要: Noise-Adaptive Diffusion Sampling for Inverse Problems Without Task-Specific Tuning

• arxiv url: http://arxiv.org/abs/2604.16919v1
• Date: Sat, 18 Apr 2026 08:53:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.237407
• Title: Noise-Adaptive Diffusion Sampling for Inverse Problems Without Task-Specific Tuning
• Title（参考訳）: タスク指定のない逆問題に対する雑音適応拡散サンプリング
• Authors: Yingzhi Xia, Setthakorn Tanomkiattikun, Liangli Zhen, Zaiwang Gu,
• Abstract要約: 雑音空間ハミルトニアンモンテカルロは、逆拡散を初期雑音からクリーンな画像への決定論的マッピングとして扱う後方サンプリング法である。 提案手法を理論的に解析し,未知のノイズタイプとレベルを持つIPを効果的に処理する雑音適応型(NA-NHMC)に拡張する。
• 参考スコア（独自算出の注目度）: 6.6470215254890315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models (DMs) have recently shown remarkable performance on inverse problems (IPs). Optimization-based methods can fast solve IPs using DMs as powerful regularizers, but they are susceptible to local minima and noise overfitting. Although DMs can provide strong priors for Bayesian approaches, enforcing measurement consistency during the denoising process leads to manifold infeasibility issues. We propose Noise-space Hamiltonian Monte Carlo (N-HMC), a posterior sampling method that treats reverse diffusion as a deterministic mapping from initial noise to clean images. N-HMC enables comprehensive exploration of the solution space, avoiding local optima. By moving inference entirely into the initial-noise space, N-HMC keeps proposals on the learned data manifold. We provide a comprehensive theoretical analysis of our approach and extend the framework to a noise-adaptive variant (NA-NHMC) that effectively handles IPs with unknown noise type and level. Extensive experiments across four linear and three nonlinear inverse problems demonstrate that NA-NHMC achieves superior reconstruction quality with robust performance across different hyperparameters and initializations, significantly outperforming recent state-of-the-art methods. The code is available at https://github.com/NA-HMC/NA-HMC.
• Abstract（参考訳）: 拡散モデル(DM)は近年,逆問題(IP)において顕著な性能を示した。 最適化に基づく手法は、DMを強力な正則化器としてIPを高速に解くことができるが、局所的なミニマやノイズオーバーフィッティングの影響を受けやすい。 DMはベイズ的アプローチに強い先行性を与えることができるが、デノナイジング過程における測定一貫性の強制は、多様体の不実現性問題を引き起こす。 ノイズ空間ハミルトンモンテカルロ (N-HMC) は, 逆拡散を初期雑音からクリーンな画像への決定論的マッピングとして扱う後方サンプリング法である。 N-HMCは解空間の包括的探索を可能にし、局所最適化を避ける。 推論を完全に初期ノイズ空間に移すことで、N-HMCは学習したデータ多様体に関する提案を保っている。 我々は,提案手法の包括的な理論的解析を行い,未知のノイズタイプとレベルを持つIPを効果的に処理する雑音適応型(NA-NHMC)に拡張する。 4つの非線形逆問題と3つの非線形逆問題に対する広範囲な実験により、NA-NHMCは、異なるハイパーパラメータと初期化にまたがる堅牢な性能で優れた再構成品質を達成し、最近の最先端の手法よりも著しく優れていることが示された。 コードはhttps://github.com/NA-HMC/NA-HMCで入手できる。

関連論文リスト

• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Measurement-Aligned Sampling for Inverse Problem [17.889504185837797]
  線形逆問題解決のための新しいフレームワークである計測アラインドサンプリング(MAS)を提案する。 MASはDDNMやTMPDのような既存のアプローチを統一し拡張し、既知のガウスノイズと未知あるいは非ガウスノイズの両方を扱うように一般化する。 大規模な実験により、MASは比較的低い計算コストを維持しながら、様々なタスクで最先端の手法を一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-06-13T15:39:54Z)
• Test-Time Scaling of Diffusion Models via Noise Trajectory Search [10.8507840358202]
  我々は,デミキシングの中間段階において,極端時間と局所的なエクスプロイトをグローバルに探索する$epsilon$-greedy検索アルゴリズムを導入する。 EDMと安定拡散の実験は、クラス条件/テキスト-画像生成のための最先端スコアを明らかにする。
  論文  参考訳（メタデータ） (2025-05-24T19:13:29Z)
• Robust plug-and-play methods for highly accelerated non-Cartesian MRI reconstruction [2.724485028696543]
  マルチコイルデータからクリーンでノイズのないMRI信号を生成するための,教師なし事前処理パイプラインを提案する。 プレコンディショニング技術と組み合わせることで,高品質なデータに対する堅牢なMRI再構成を実現する。
  論文  参考訳（メタデータ） (2024-11-04T10:27:57Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)
• Multiview point cloud registration with anisotropic and space-varying localization noise [1.5499426028105903]
  我々は,高異方性定位雑音で劣化した複数点の雲を登録する問題に対処する。 既存の手法は、空間不変等方性雑音の暗黙の仮定に基づいている。 ノイズハンドリング戦略は,高レベルの異方性雑音に対するロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2022-01-03T15:21:24Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。