論文の概要: Improving Diffusion Posterior Samplers with Lagged Temporal Corrections for Image Restoration
- arxiv url: http://arxiv.org/abs/2605.12573v1
- Date: Tue, 12 May 2026 11:38:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.58777
- Title: Improving Diffusion Posterior Samplers with Lagged Temporal Corrections for Image Restoration
- Title（参考訳）: 画像復元のためのタグ付き時間補正による拡散後部サンプリングの改善
- Authors: Davide Evangelista, Elena Morotti, Francesco Pivi, Maurizio Gabbrielli,
- Abstract要約: 拡散法に基づく後方サンプリング(PS)は、逆問題の画像化における主要なフレームワークである。
PSは、逆ダイナミクスにおける時間的変動を誘発する即時的なデータ一貫性の推定に依存している。
第二次更新とPS手法を特徴付ける残差補正を組み合わせたLAMPを提案する。
- 参考スコア（独自算出の注目度）: 1.2891189282516038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion-based posterior sampling (PS) is a leading framework for imaging inverse problems, combining learned priors with measurement constraints. Yet, its standard formulations rely on instantaneous data-consistent estimates, which induce temporal variability in the reverse dynamics. We reinterpret PS from a dynamical perspective, showing that the standard PS update corresponds to a first-order discretization of the diffusion dynamics plus a residual correction capturing the mismatch between the denoised prediction and the data-consistent estimate. A second-order discretization, however, naturally introduces a temporal correction based on the variation of consecutive estimates. Building on this, we propose LAMP, combining the second-order update with the residual correction characterizing a PS technique. LAMP thus inherits a lagged temporal correction, and it can be implemented as a modular plug-in over the PS backbone. We show that LAMP preserves the structure of a posterior sampler, and we perform a one-step risk analysis to characterize when LAMP improves the reverse transition via a bias-variance trade-off. Experiments across multiple imaging tasks demonstrate consistent improvements over strong baselines such as DiffPIR and DDRM, without increasing the number of denoising evaluations.
- Abstract（参考訳）: 拡散法に基づく後方サンプリング(PS)は、逆問題の画像化のための主要なフレームワークであり、学習した事前と測定制約を組み合わせる。
しかし、その標準定式化は、逆ダイナミクスにおける時間的変動を誘発する即時的なデータ一貫性推定に依存している。
我々はPSを力学的な観点から再解釈し、標準PS更新は拡散力学の1次離散化に対応し、復号化予測とデータ一貫性推定とのミスマッチを補正する。
しかし、2階の離散化は、連続推定の変動に基づく時間的補正を自然に導入する。
そこで我々は,2階更新とPS手法を特徴付ける残差補正を組み合わせたLAMPを提案する。
したがって、LAMPはラグ時間補正を継承し、PSバックボーン上のモジュラープラグインとして実装することができる。
我々は,LAMPが後部サンプルの構造を保っていることを示すとともに,LAMPがバイアス分散トレードオフにより逆遷移を改善した場合に特徴付ける一段階のリスク解析を行う。
複数の撮像タスクに対する実験では、DiffPIRやDDRMのような強力なベースラインよりも、デノナイジング評価の数を増やすことなく、一貫した改善が示されている。
関連論文リスト
- ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models [72.4683657127516]
照明画像復元のためのゼロ参照拡散ベースフレームワークZeroIDIRを提案する。
フレームワークは、復元プロセスを適応照明補正と拡散に基づく再構成に分離する。
公開されているベンチマーク実験により、提案手法は最先端の教師なし競争相手よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-12T02:36:49Z) - TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。
TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。
これは最先端の可逆正規化法より優れている。
論文 参考訳（メタデータ） (2026-03-18T07:21:24Z) - Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。
本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
論文 参考訳（メタデータ） (2026-02-26T16:58:43Z) - 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) - Improving Temporal Consistency and Fidelity at Inference-time in Perceptual Video Restoration by Zero-shot Image-based Diffusion Models [5.61537470581101]
ゼロショット画像ベース拡散モデルを用いたビデオ再生における時間的コヒーレンス向上の課題に対処する。
本稿では,PSG(Perceptual Straightening Guidance)とMPES(Ensemble Sampling)の2つの補完的推論時間戦略を提案する。
論文 参考訳（メタデータ） (2025-10-29T11:40:06Z) - 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) - Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。
中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。
大規模な実験ではPPADの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-05-26T14:42:35Z) - ADT: Tuning Diffusion Models with Adversarial Supervision [16.974169058917443]
拡散モデルは、真のデータ分布を近似するために前方ノイズ発生過程を反転させることで、優れた画像生成を実現している。
本稿では、最適化中の推論プロセスを刺激し、最終的な出力をトレーニングデータと整合させるために、Adrial Diffusion Tuning (ADT)を提案する。
ADTは、固定されたトレーニング済みのバックボーンと軽量なトレーニング可能なパラメータを備えたシアム-ネットワーク識別器を備えている。
論文 参考訳（メタデータ） (2025-04-15T17:37:50Z) - On Self-Adaptive Perception Loss Function for Sequential Lossy Compression [29.361832071511795]
我々は、平均二乗誤差(MSE)を歪み損失とする因果的、低レイテンシ、逐次的損失圧縮と、再建の現実性を高めるための知覚損失関数(PLF)を考察した。
我々は、一階マルコフ源に対する理論速度歪み知覚関数を確立し、ガウス模型を詳細に解析する。
提案手法は, 自己適応型知覚損失関数 (PLF-SA) と呼ばれる。
論文 参考訳（メタデータ） (2025-02-15T01:41:53Z) - Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data [54.09959775518994]
線形に破損したデータから学習した拡散モデルを用いて逆問題を解決するためのフレームワークを提供する。
加速度係数R=2,4,6,8のサブサンプルによるマルチコイル測定にのみアクセス可能なMRI拡散モデルを訓練する。
高加速度環境下でのMRI再構成において、サブサンプルデータでトレーニングされたA-DPSモデルは、完全サンプルデータでトレーニングされたモデルよりも逆問題の解決に適している。
論文 参考訳（メタデータ） (2024-03-13T17:28:20Z)
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。