論文の概要: Optimizing Diffusion Priors with a Single Observation

• arxiv url: http://arxiv.org/abs/2604.21066v1
• Date: Wed, 22 Apr 2026 20:18:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.168873
• Title: Optimizing Diffusion Priors with a Single Observation
• Title（参考訳）: 単一観測による拡散前処理の最適化
• Authors: Frederic Wang, Katherine L. Bouman,
• Abstract要約: 微調整拡散モデルに対する現在のアプローチは、様々な前方作用素を持つ多くの観測に依存している。 そこで本研究では,既存の拡散前処理を実験対象の製品に組み込むことにより,単一観測のみから先行処理をチューニングする方法を提案する。 証拠は、単一のデータセットでトレーニングされたものを超えて拡張される前例によって最大化されることがよくあります。
• 参考スコア（独自算出の注目度）: 9.813689581505548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While diffusion priors generate high-quality posterior samples across many inverse problems, they are often trained on limited training sets or purely simulated data, thus inheriting the errors and biases of these underlying sources. Current approaches to finetuning diffusion models rely on a large number of observations with varying forward operators, which can be difficult to collect for many applications, and thus lead to overfitting when the measurement set is small. We propose a method for tuning a prior from only a single observation by combining existing diffusion priors into a single product-of-experts prior and identifying the exponents that maximize the Bayesian evidence. We validate our method on real-world inverse problems, including black hole imaging, where the true prior is unknown a priori, and image deblurring with text-conditioned priors. We find that the evidence is often maximized by priors that extend beyond those trained on a single dataset. By generalizing the prior through exponent weighting, our approach enables posterior sampling from both tempered and combined diffusion models, yielding more flexible priors that improve the trustworthiness of the resulting posterior image distribution.
• Abstract（参考訳）: 拡散先行は、多くの逆問題にまたがって高品質な後続サンプルを生成するが、しばしば限られたトレーニングセットや純粋にシミュレートされたデータに基づいて訓練され、これらの基礎となる情報源の誤りとバイアスを継承する。 拡散モデルを微調整する現在のアプローチは、様々なフォワード演算子による多数の観測に依存しており、多くのアプリケーションでは収集が難しいため、測定セットが小さくなると過度に適合する。 本稿では,既存の拡散先行項を先行した1つの積に組み合わせ,ベイズ的証拠を最大化する指数を同定することにより,1つの観測のみから先行項をチューニングする方法を提案する。 実世界の逆問題に対して本手法の有効性を検証した。例えば、ブラックホールイメージングでは、真に先行が未知である場合や、テキスト条件の先行条件による画像の劣化などである。 証拠は、単一のデータセットでトレーニングされたものを超えて拡張される前例によって最大化されることがよくあります。 提案手法は,先行処理を指数重み付けにより一般化することにより,温熱拡散モデルと複合拡散モデルの両方からの後方サンプリングを可能にし,その結果の後方画像分布の信頼性を向上させるためのより柔軟な先行処理を実現する。

関連論文リスト

• Sample-efficient evidence estimation of score based priors for model selection [9.813689581505548]
  本稿では, 後方サンプリング手法の時間行列を積分することにより, 拡散のモデル証拠を推定する手法を提案する。 本手法は, 逆拡散サンプリングプロセスにおいて自然に得られた大量の中間試料を利用する。 適切な拡散モデルを事前に選択し、高度に条件の異なる非線形逆問題の下で事前不適合を診断することができる。
  論文  参考訳（メタデータ） (2026-02-24T05:06:46Z)
• DPBridge: Latent Diffusion Bridge for Dense Prediction [49.1574468325115]
  DPBridgeは、密度予測タスクのための最初の潜伏拡散ブリッジフレームワークである。 提案手法は,異なるシナリオ下での有効性と能力の一般化を実証し,優れた性能を継続的に達成する。
  論文  参考訳（メタデータ） (2024-12-29T15:50:34Z)
• 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)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Learning Diffusion Priors from Observations by Expectation Maximization [10.704978219090039]
  不完全および雑音のみから拡散モデルをトレーニングするための新しい手法であるDEMを提案する。 以前の研究とは異なり、DEMは適切な拡散モデルをもたらし、下流のタスクに不可欠である。
  論文  参考訳（メタデータ） (2024-05-22T15:04:06Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)

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。