論文の概要: Principled Design of Diffusion-based Optimizers for Inverse Problems

• arxiv url: http://arxiv.org/abs/2605.11506v1
• Date: Tue, 12 May 2026 04:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.574938
• Title: Principled Design of Diffusion-based Optimizers for Inverse Problems
• Title（参考訳）: 逆問題に対する拡散型最適化器の原理設計
• Authors: Julio Oscanoa, Irmak Sivgin, Cagan Alkan, Daniel Ennis, John Pauly, Mert Pilanci, Shreyas Vasanawala,
• Abstract要約: 本稿では、不変性を誘導し、複数の問題にまたがって同一のハイパーパラメータを再調整することなく再利用できる基本的再パラメータ化を提案する。 OptDiffは、推論を高速化するための凸最適化ツールの統合を容易にする、シンプルなチューニングフレームワークを提供する。 画像再構成、デブロアリング、超高解像度化の実験は、かなりのスピードアップと画質の向上を示している。
• 参考スコア（独自算出の注目度）: 36.992592175245534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Score-based diffusion models achieve state-of-the-art performance for inverse problems, but their practical deployment is hindered by long inference times and cumbersome hyperparameter tuning. While pretrained diffusion models can be reused across tasks without retraining, inference-time hyperparameters such as the noise schedule and posterior sampling weights typically require ad-hoc adjustment for each problem setup. We propose principled reparameterizations that induce invariances, allowing the same hyperparameters to be reused across multiple problems without re-tuning. In addition, building on the RED-diff framework, which reformulates posterior sampling as an optimization problem, we further develop the OptDiff pipeline. OptDiff provides a simplified tuning framework that facilitates the integration of convex optimization tools to accelerate inference. Experiments on image reconstruction, deblurring, and super-resolution show substantial speedups and improved image quality.
• Abstract（参考訳）: スコアベース拡散モデルは逆問題に対して最先端の性能を達成するが、その実践的展開は長い推論時間と煩雑なハイパーパラメータチューニングによって妨げられる。 事前訓練された拡散モデルは再訓練なしにタスク間で再利用できるが、ノイズスケジュールや後部サンプリング重み付けのような推論時ハイパーパラメータは、通常、各問題設定に対してアドホックな調整を必要とする。 我々は、不変性を誘導し、複数の問題にまたがって同じハイパーパラメータを再調整することなく再利用できる原理的再パラメータ化を提案する。 さらに,後部サンプリングを最適化問題として再構成したRED-diffフレームワーク上に構築し,OptDiffパイプラインをさらに発展させる。 OptDiffは、推論を高速化するための凸最適化ツールの統合を容易にする、シンプルなチューニングフレームワークを提供する。 画像再構成、デブロアリング、超高解像度化の実験は、かなりのスピードアップと画質の向上を示している。

関連論文リスト

• Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
  適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。 IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。 実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-29T15:09:20Z)
• Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
  逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。 結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
  論文  参考訳（メタデータ） (2025-11-23T14:37:59Z)
• Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining [4.511561231517167]
  拡散/スコアベースのモデルは、逆問題を解決するための強力な生成前駆体として現れてきた。 本稿では,任意のノイズスケジュールで忠実度重みを調整するテスト時間最適化手法であるZero-shot Adaptive Diffusion Smpling (ZADS)を提案する。 ZADSは、従来の圧縮センシングと最近の拡散ベースの手法の両方より一貫して優れている。
  論文  参考訳（メタデータ） (2025-09-11T22:22:32Z)
• 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)
• Zero-Shot Adaptation for Approximate Posterior Sampling of Diffusion Models in Inverse Problems [2.8237889121096034]
  画像の逆問題に対するゼロショット近似後方サンプリング(ZAPS)を提案する。 ZAPSはサンプリングステップの数を修正し、物理学誘導損失関数によるゼロショットトレーニングを使用して、不規則な時間ステップ毎にログライクな重みを学習する。 以上の結果から,ZAPSは推定時間を短縮し,不規則な騒音スケジュールに頑健性を提供し,再現性の向上を図っている。
  論文  参考訳（メタデータ） (2024-07-16T00:09:37Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• 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)
• Learned convex regularizers for inverse problems [3.294199808987679]
  本稿では,逆問題に対する正規化器として,データ適応型入力ニューラルネットワーク(ICNN)を学習することを提案する。 パラメータ空間における単調な誤差を反復で減少させる部分次アルゴリズムの存在を実証する。 提案した凸正則化器は, 逆問題に対する最先端のデータ駆動技術に対して, 少なくとも競争力があり, 時には優位であることを示す。
  論文  参考訳（メタデータ） (2020-08-06T18:58:35Z)

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。