論文の概要: Outlier-Robust Diffusion Solvers for Inverse Problems

• arxiv url: http://arxiv.org/abs/2605.09477v1
• Date: Sun, 10 May 2026 11:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.2696
• Title: Outlier-Robust Diffusion Solvers for Inverse Problems
• Title（参考訳）: 逆問題に対する外乱拡散解法
• Authors: Yang Zheng, Jiahua Liu, Tongyao Pang, Wen Li, Zhaoqiang Liu,
• Abstract要約: 近年,逆問題 (IP) の解法として拡散モデル (DM) を用いた手法が注目されている。 そこで本研究では,外周波を用いたIP対策として,まず露光雑音推定による計測を改良する。 次に、ハマー損失に基づいて、反復的に再重み付けされた最小二乗の目的を定式化し、外乱に対処する。
• 参考スコア（独自算出の注目度）: 21.047581022623817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Methods based on diffusion models (DMs) for solving inverse problems (IPs) have recently achieved remarkable performance. However, DM-based methods typically struggle against outliers, which are common in real-world measurements. In this work, to tackle IPs with outliers, we first refine the measurement via explicit noise estimation to mitigate the effect of noise. Subsequently, we formulate an iteratively reweighted least squares objective based on the Huber loss to address the outliers. We propose a method utilizing gradient descent to approximately solve the corresponding optimization problem for the robust objective. To avoid delicate tuning of the learning rate required by the gradient descent method, we further employ the conjugate gradient method with an efficient strategy for updating. Extensive experiments on multiple image datasets for linear and nonlinear tasks under various conditions demonstrate that our proposed methods exhibit robustness to outliers and outperform recent DM-based methods in most cases.
• Abstract（参考訳）: 近年,逆問題 (IP) の解法として拡散モデル (DM) を用いた手法が注目されている。 しかし、DMベースの手法は、現実の計測でよく見られる外れ値と闘うのが一般的である。 本研究は,外周波によるIPの取扱いにおいて,雑音の影響を緩和するために,まず明示的な雑音推定による計測を改良するものである。 その後、ハマーの損失に基づいて反復的に再重み付けされた最小二乗の目的を定式化し、外乱に対処する。 そこで本稿では,ロバストな目的に対する対応する最適化問題を大まかに解くために勾配勾配を利用する手法を提案する。 勾配降下法で要求される学習率の微妙な調整を避けるために,より効率的な更新戦略を備えた共役勾配法を用いる。 様々な条件下での線形および非線形のタスクに対する複数の画像データセットに対する大規模な実験により,提案手法は外れ値に対する堅牢性を示し,近年のDM法よりも優れていることが示された。

関連論文リスト

• Integrating Intermediate Layer Optimization and Projected Gradient Descent for Solving Inverse Problems with Diffusion Models [19.445391508424667]
  逆問題(IP)はノイズの観測から信号を再構成する。 DMはIPを解くための強力なフレームワークとして登場し、優れた再構築性能を実現している。 既存のDMベースの手法は、重い計算要求や準最適収束といった問題に頻繁に遭遇する。 これらの課題に対処するために,DMILOとDMILO-PGDという2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-27T06:49:02Z)
• Improving Decoupled Posterior Sampling for Inverse Problems using Data Consistency Constraint [13.285652967956652]
  本稿では,逆問題に対するGDPS ( Guided Decoupled Posterior Smpling) を提案する。 我々はこの手法を潜在拡散モデルとツイーディの公式に拡張する。 GDPSは最先端のパフォーマンスを実現し、既存の手法よりも精度を向上させる。
  論文  参考訳（メタデータ） (2024-12-01T03:57:21Z)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• 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)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• A Provably Efficient Model-Free Posterior Sampling Method for Episodic Reinforcement Learning [50.910152564914405]
  強化学習のための既存の後方サンプリング手法は、モデルベースであるか、線形MDPを超える最悪の理論的保証がないかによって制限される。 本稿では,理論的保証を伴うより一般的な補足的強化学習問題に適用可能な,後部サンプリングのモデルフリーな新しい定式化を提案する。
  論文  参考訳（メタデータ） (2022-08-23T12:21:01Z)
• An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
  本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。 まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
  論文  参考訳（メタデータ） (2022-08-11T22:27:22Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Converting ADMM to a Proximal Gradient for Convex Optimization Problems [4.56877715768796]
  融解ラッソや凸クラスタリングなどのスパース推定では、問題を解くために、近位勾配法またはマルチプライヤー(ADMM)の交互方向法のいずれかを適用します。 本論文では,制約と目的が強く凸であると仮定し,ADMM溶液を近位勾配法に変換する一般的な方法を提案する。 数値実験により, 効率の面で有意な改善が得られることを示した。
  論文  参考訳（メタデータ） (2021-04-22T07:41:12Z)

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。