論文の概要: FlowADMM: Plug-and-play ADMM with Flow-based Renoise-Denoise Priors
- arxiv url: http://arxiv.org/abs/2605.08640v1
- Date: Sat, 09 May 2026 03:21:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.78677
- Title: FlowADMM: Plug-and-play ADMM with Flow-based Renoise-Denoise Priors
- Title（参考訳）: FlowADMM: Flow-based Renoise-Denoise Priors を用いたプラグアンドプレイ ADMM
- Abstract要約: FlowADMMは、逆問題を解決するための最先端のフローベース生成アルゴリズムである。
本研究では, FlowADMMが, 逆問題に対するフローベース生成手法の最先端性能を実現することを示す。
- 参考スコア（独自算出の注目度）: 2.986668330518244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Plug-and-play (PnP) methods for solving inverse problems have recently achieved strong performance by leveraging denoising priors based on powerful generative diffusion and flow models. However, existing diffusion- and flow-based PnP methods typically rely on stochastic renoise-denoise operations, which complicate the analysis of their convergence behavior. In this work, we identify and formalize the deterministic renoise-denoise operator underlying flow-based plug-and-play methods. This perspective reveals that these methods implicitly define a deterministic operator given by the expectation of a denoiser over the latent noise distribution. Building on this insight, we propose FlowADMM, a PnP algorithm that integrates the renoise-denoise operator into the classical alternating direction method of multiplier (ADMM) framework. We establish convergence guarantees for FlowADMM under weak Lipschitz conditions on the underlying flow network, and extend the analysis to non-stationary time schedules. Empirically, FlowADMM achieves state-of-the-art performance among flow-based PnP methods on a range of inverse problems, including denoising, deblurring, super-resolution, and inpainting, while requiring fewer data consistency evaluations than prior approaches.
- Abstract（参考訳）: 逆問題に対するPlug-and-play(PnP)法は,最近,強力な生成拡散モデルとフローモデルに基づくデノナイズ先行モデルを活用することで,高い性能を実現している。
しかし、既存の拡散型およびフローベースのPnP法は一般に確率的ルネーズ・デノエーズ演算に依存しており、それらの収束挙動の解析を複雑にしている。
本研究では,フローベース・プラグ・アンド・プレイ法に基づく決定論的レノワーズ・デノワーズ演算子を同定し,定式化する。
この観点から、これらの手法は、遅延雑音分布に対するデノイザの期待によって与えられる決定論的作用素を暗黙的に定義することを明らかにする。
この知見に基づいて,従来の乗算器(ADMM)フレームワークの交互方向法にRenoise-Denoise演算子を統合するPnPアルゴリズムであるFlowADMMを提案する。
本研究では,フローADMMの収束保証を,フローネットワーク上の弱いリプシッツ条件下で確立し,解析を非定常時間スケジュールにまで拡張する。
経験的に、FlowADMMはフローベースPnP手法の様々な逆問題に対して、デノイング、デブロアリング、スーパーレゾリューション、インパインティングといった最先端のパフォーマンスを達成し、従来の手法よりもデータ一貫性の評価を少なくする。
関連論文リスト
- LLM Inference Under Bursty Workload Distribution: Modifying the WAIT Algorithm [0.8564127299257368]
本稿では,最先端WAITアルゴリズムの軽量拡張を提案する。
提案アルゴリズムは,観測時間に基づく要求強度のオンライン推定を行う。
論文 参考訳（メタデータ） (2026-08-06T15:07:43Z) - Stochastic Generative Plug-and-Play Priors [9.429516239444922]
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。
論文 参考訳（メタデータ） (2026-04-04T06:14:38Z) - 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) - Provable Mixed-Noise Learning with Flow-Matching [6.687571760931077]
加法成分と乗法成分の組み合わせとしてモデル化された混合雑音による逆問題について検討する。
近年のフローベース生成モデリングの進歩により,予測最大化(EM)アルゴリズムに埋め込まれた条件付きフローマッチングに基づく新しい推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-25T15:30:12Z) - One-Step Flow Policy Mirror Descent [52.31612487608593]
Flow Policy Mirror Descent (FPMD)は、フローポリシー推論中の1ステップのサンプリングを可能にするオンラインRLアルゴリズムである。
本手法は, 直流整合モデルにおける単段サンプリングの分散分散と離散化誤差の理論的関係を利用する。
論文 参考訳（メタデータ） (2025-07-31T15:51:10Z) - 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) - 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) - AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。
本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。
本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。
次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
論文 参考訳（メタデータ） (2023-07-20T09:06:21Z) - Fast and efficient speech enhancement with variational autoencoders [0.0]
変分オートエンコーダに基づく教師なし音声強調は、一般的な教師付き手法と比較して有望な性能を示した。
本稿では,複数のサンプル列を生成するランゲヴィン力学に基づく新しい手法を提案する。
提案手法は, 計算効率と品質向上を効果的に両立させ, 既存の手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-11-02T09:52:13Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-11-18T16:40:45Z)
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。