Fugu-MT 論文翻訳(概要): Tempered Guided Diffusion

論文の概要: Tempered Guided Diffusion

arxiv url: http://arxiv.org/abs/2605.03712v1
Date: Tue, 05 May 2026 13:00:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.937201
Title: Tempered Guided Diffusion
Title（参考訳）: Tempered Guided Diffusion
Authors: Andreas Makris, Paul Fearnhead, Chris Nemeth,
Abstract要約: 拡散前の条件付きトレーニング不要な条件付きサンプリングのためのシーケンシャルなモンテカルロフレームワークを提案する。 TGDは、ノイズ拡散状態のみを補助変数として、クリーン信号上の誘電後部分布を標的とする。高価な復元作業のために、TGDは初期の粒子探査を継続するが、サンプリングを通して1つの高軌道の軌道の一部にプルーネを配置する。
参考スコア（独自算出の注目度）: 1.7778609937758325
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Training-free conditional diffusion provides a flexible alternative to task-specific conditional model training, but existing samplers often allocate computation inefficiently: independent guided trajectories can vary widely in quality, and additional function evaluations along a single trajectory may not recover from poor early decisions. We propose Tempered Guided Diffusion (TGD), an annealed sequential Monte Carlo framework for training-free conditional sampling with diffusion priors. TGD targets tempered posterior distributions over the clean signal, using noisy diffusion states only as auxiliary variables for proposing reconstructions and propagating particles. Particles are reweighted by incremental likelihood ratios, resampled, and propagated across noise levels, concentrating computation on trajectories plausible under both the prior and observation. Under idealized exact-reconstruction assumptions, full TGD yields a consistent particle approximation to the posterior as the number of particles grows. For expensive reconstruction tasks, Accelerated TGD (A-TGD) retains early particle exploration but prunes to a single high-likelihood trajectory partway through sampling. Experiments on a controlled two-dimensional inverse problem and image inverse problems show improved posterior approximation and favorable wall-clock speed-quality tradeoffs over independent multi-trajectory baselines.
Abstract（参考訳）: 訓練のない条件付き拡散は、タスク固有の条件付きモデルトレーニングの柔軟な代替を提供するが、既存のサンプルはしばしば計算を非効率に割り当てる。本研究では,拡散前処理による無トレーニング条件抽出のためのモンテカルロ連続処理フレームワークであるテンパードガイド拡散(TGD)を提案する。 TGDは、ノイズ拡散状態のみを、再構成と伝播する粒子の補助変数として用いて、クリーン信号上の誘電後部分布を標的としている。粒子は漸近度比で再重み付けされ、サンプル化され、騒音レベルを越えて伝播し、先行と観測の両方で検証可能な軌道上の計算に集中する。理想化された正確な再構成仮定の下では、完全なTGDは粒子の数が増加するにつれて後方に一貫した粒子近似をもたらす。高価な復元作業のために、加速型TGD (A-TGD) は早期の粒子探査を継続するが、サンプリングを通して1つの高軌道の軌道に順応する。制御された2次元逆問題と画像逆問題の実験は、独立な多軌道ベースラインに対する後部近似と良好な壁面速度品質のトレードオフを示す。

関連論文リスト

Diffusion Model-Based Posterior Sampling in Full Waveform Inversion [3.2800968305157205]
観測記録の後方サンプリングはフィールドスケールではめったに実用的ではない提案手法は,拡散型後方サンプリングと同時音源波形インバージョンデータを組み合わせた手法である。提案手法は, モデル誤差の低減と, 計算コストの大幅な削減を実現する。
論文参考訳（メタデータ） (2025-12-14T18:34:12Z)
Test-Time Anchoring for Discrete Diffusion Posterior Sampling [38.507644561076894]
後方サンプリングは、事前訓練された離散拡散基礎モデルにとって難しい問題である。マスク拡散基礎モデルのためのAnchored Posterior Smpling (APS) を提案する。本手法は線形および非線形逆問題に対する離散拡散サンプリング器の最先端性能を実現する。
論文参考訳（メタデータ） (2025-10-02T17:58:37Z)
Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
論文参考訳（メタデータ） (2025-07-07T21:14:27Z)
EquiReg: Equivariance Regularized Diffusion for Inverse Problems [67.01847869495558]
拡散に基づく逆問題解法における後方サンプリングを正規化するためのフレームワークであるEquiReg拡散法を提案する。様々な解法に適用すると、EquiRegは線形および非線形画像復元タスクにおいて最先端の拡散モデルより優れる。
論文参考訳（メタデータ） (2025-05-29T01:25:43Z)
Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements [46.03835001280626]
現在の後方サンプリング法は、測定結果を後方サンプリングに取り込み、対象データの分布を推定する。我々は,早期に高周波情報を早期に導入し,より大きな後部推定誤差を生じさせることを示す。本稿では, 後方推定法として, 工法計測(逆演示法による雑音測定)を取り入れた新しい拡散後サンプリング法DPS-CMを提案する。
論文参考訳（メタデータ） (2024-11-15T00:06:57Z)
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)
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)
Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文参考訳（メタデータ） (2023-03-10T07:42:49Z)
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)
Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
論文参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。