論文の概要: A Stability Benchmark of Generative Regularizers for Inverse Problems

• arxiv url: http://arxiv.org/abs/2605.10076v1
• Date: Mon, 11 May 2026 06:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.585606
• Title: A Stability Benchmark of Generative Regularizers for Inverse Problems
• Title（参考訳）: 逆問題に対する生成正規化器の安定性ベンチマーク
• Authors: Alexander Denker, Johannes Hertrich, Sebastian Neumayer,
• Abstract要約: 広範に使われている変分法に触発された現代最適化手法に対する生成的アプローチをベンチマークする。 この結果から、どの設定やアプリケーション生成先が最先端の再構築を実現することができるのかが分かる。
• 参考スコア（独自算出の注目度）: 48.95664664242498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative (diffusion) priors demonstrate remarkable performance in addressing inverse problems in imaging. Yet, for scientific and medical imaging, it is crucial that reconstruction techniques remain stable and reliable under imperfect settings. Typical definitions of stability encompass the notion of ''convergent regularization'', robustness to out-of-distribution data, and to inaccuracies in the forward operator or noise model. We evaluate these properties numerically. Furthermore, we benchmark generative approaches against modern optimization-based methods inspired by the widely used variational techniques. Our results give insights for which settings and applications generative priors can deliver state-of-the-art reconstructions, and on those in which they fall short or may even be problematic.
• Abstract（参考訳）: 画像の逆問題に対処する上で、生成的(拡散)先行は顕著な性能を示す。 しかし, 科学的, 医学的イメージングにおいては, 不完全な環境下では, 復元技術は安定して信頼性が保たれることが重要である。 典型的な安定性の定義には、「収束正則化」の概念、分布外データに対する堅牢性、前方演算子やノイズモデルにおける不正確さが含まれる。 これらの特性を数値的に評価する。 さらに,広範に使用されている変分法に触発された,現代的な最適化手法に対する生成的アプローチをベンチマークする。 以上の結果から,どの設定やアプリケーション生成先が最先端の再構築を実現することができるのか,あるいは不足しているのか,あるいは問題になる可能性があるのか,といった知見が得られた。

関連論文リスト

• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Stability of Data-Dependent Ridge-Regularization for Inverse Problems [0.0]
  本稿では,データ依存的かつ空間的に変化する正規化強度を持つ画素ベースリッジ正規化器の学習を提案する。 本研究は,再建が最大ポステリオリアプローチを形成することを証明している。
  論文  参考訳（メタデータ） (2024-06-18T05:49:54Z)
• Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems [8.33626757808923]
  本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。 CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。 本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-17T12:06:04Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)

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。