論文の概要: Consistency Regularised Gradient Flows for Inverse Problems

• arxiv url: http://arxiv.org/abs/2605.07907v1
• Date: Fri, 08 May 2026 15:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.173949
• Title: Consistency Regularised Gradient Flows for Inverse Problems
• Title（参考訳）: 逆問題に対する一貫性正規化勾配流
• Authors: Alessio Spagnoletti, Tim Y. J. Wang, Marcelo Pereyra, O. Deniz Akyildiz,
• Abstract要約: Vision-Language Latent Diffusion Models (LDMs) は、逆問題に対する強力な生成先行情報を提供する。 既存のLCMベースの逆解法は、多くの神経機能評価(NFE)と、大きな事前訓練されたコンポーネントによるバックプロパゲーションを必要とする。 本稿では,後続サンプリングと後続空間の迅速な最適化を共同で行う統一型ユークリッド・ワッサーシュタイン2勾配流フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9974630621313313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Latent Diffusion Models (LDMs) (Rombach et al., 2022) provide powerful generative priors for inverse problems. However, existing LDM-based inverse solvers typically require a large number of neural function evaluations (NFEs) and backpropagation through large pretrained components, leading to substantial computational costs and, in some cases, degraded reconstruction quality. We propose a unified Euclidean-Wasserstein-2 gradient-flow framework that jointly performs posterior sampling and prompt optimization in the latent space through a single flow that aligns the prior and posterior with the observed data. Combined with few-step latent text-to-image models, this formulation enables low-NFE inference without backpropagation through autoencoders. Experiments across several canonical imaging inverse problems show that our method achieves state-of-the-art performance with significantly reduced computational cost.
• Abstract（参考訳）: Vision-Language Latent Diffusion Models (LDMs) (Rombach et al , 2022) は、逆問題に対する強力な生成先行を提供する。 しかし、既存のLCMベースの逆解法は、通常、大量の事前訓練されたコンポーネントを通して多くの神経機能評価(NFE)とバックプロパゲーションを必要とするため、かなりの計算コストがかかり、場合によっては再構築品質が低下する。 本研究では, 先行および後進データと観測データとを整合させる単一流れにより, 後続サンプリングと後続空間の迅速な最適化を共同で行う, 統一的なユークリッド・ワッサーシュタイン2勾配流フレームワークを提案する。 数ステップの遅延テキスト・ツー・イメージモデルと組み合わせて、この定式化はオートエンコーダによるバックプロパゲーションなしで低NFE推論を可能にする。 いくつかの正準画像逆問題に対する実験により,提案手法は計算コストを大幅に削減し,最先端の性能を実現することを示す。

関連論文リスト

• Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
  フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。 1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。 画像の回復と逆問題に対するMS-Flowの有効性を示す。
  論文  参考訳（メタデータ） (2026-02-09T11:36:41Z)
• FlowLPS: Langevin-Proximal Sampling for Flow-based Inverse Problem Solvers [51.56484100374058]
  FlowLPSは、Langevin Proximal Sampling (LPS)戦略を通じて、事前訓練されたフローモデルによる逆問題を解決する。 提案手法は, 多様体一貫性探索のためのランゲヴィン力学と, 高精度なモード探索のための近似最適化を統合し, 再現忠実度と知覚品質のバランスを良くする。
  論文  参考訳（メタデータ） (2025-12-08T04:18:13Z)
• Solving Diffusion Inverse Problems with Restart Posterior Sampling [2.9527010146189556]
  逆問題(英: inverse problem)とは、科学や工学において基本的な問題であり、ノイズ測定から基礎となる信号や状態を推測することである。 近年のアプローチでは、複雑なデータ分布をキャプチャする能力のため、そのような問題に対する強力な暗黙の先行モデルとして拡散モデルが採用されている。 本稿では,線形逆問題と非線形逆問題の両方を解決するための汎用的で効率的なフレームワークであるRePS(Restart for Posterior Sampling)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T20:42:33Z)
• Solving ill-conditioned polynomial equations using score-based priors with application to multi-target detection [4.009569125126148]
  そこで本稿では,スコアベース拡散先行値とモーメントベース推定器を統合し,逆問題に対する正規化を行う新しいフレームワークを提案する。 具体的応用として,高雑音状態におけるマルチターゲット検出(MTD)モデルについて検討する。 2つの主要な結果を示す: (i)拡散先行は3次モーメントからの回復を大幅に改善し、 (ii)超解像MTD問題を作る。
  論文  参考訳（メタデータ） (2025-09-14T19:21:32Z)
• 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)
• 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)
• CoSIGN: Few-Step Guidance of ConSIstency Model to Solve General INverse Problems [3.3969056208620128]
  我々は, 高い復元品質を維持しつつ, 推論ステップの境界を1-2 NFEに推し進めることを提案する。 本手法は拡散型逆問題解法における新しい最先端技術を実現する。
  論文  参考訳（メタデータ） (2024-07-17T15:57:50Z)
• Solving Inverse Problems with Latent Diffusion Models via Hard Data Consistency [7.671153315762146]
  画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。 非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。 我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
  論文  参考訳（メタデータ） (2023-07-16T18:42:01Z)
• Variational Laplace Autoencoders [53.08170674326728]
  変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。 完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。 また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
  論文  参考訳（メタデータ） (2022-11-30T18:59:27Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)

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。