論文の概要: Learning Normalized Energy Models for Linear Inverse Problems

• arxiv url: http://arxiv.org/abs/2605.15487v1
• Date: Fri, 15 May 2026 00:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.132412
• Title: Learning Normalized Energy Models for Linear Inverse Problems
• Title（参考訳）: 線形逆問題に対する正規化エネルギーモデル学習
• Authors: Nicolas Zilberstein, Santiago Segarra, Eero Simoncelli, Florentin Guth,
• Abstract要約: 生成拡散モデルは、イメージングにおける逆問題に対する強力な事前確率モデルを提供することができる。 既存の実装には2つの重要な制限がある。 本稿では,共分散型正規化項を用いた新しいエネルギーベースモデルを提案する。
• 参考スコア（独自算出の注目度）: 39.643595056992034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative diffusion models can provide powerful prior probability models for inverse problems in imaging, but existing implementations suffer from two key limitations: $(i)$ the prior density is represented implicitly, and $(ii)$ they rely on likelihood approximations that introduce sampling biases. We address these challenges by introducing a new energy-based model trained for denoising with a covariance-based regularization term that enforces consistency across different measurement conditions. The trained model can compute normalized posterior densities for diverse linear inverse problems, without additional retraining or fine tuning. In addition to preserving the sampling capabilities of diffusion models, this enables previously unavailable capabilities: energy-guided adaptive sampling that adjusts schedules on-the-fly, unbiased Metropolis-Hastings correction steps, and blind estimation of the degradation operator via Bayes rule. We validate the method on multiple datasets (ImageNet, CelebA, AFHQ) and tasks (inpainting, deblurring), demonstrating competitive or superior performance to established baselines.
• Abstract（参考訳）: 生成拡散モデルは、イメージングにおける逆問題に対する強力な事前確率モデルを提供することができるが、既存の実装には2つの重要な制限がある。 (i)$前の密度は暗黙的に表され、$ (ii) サンプリングバイアスをもたらす確率近似に依存する。 これらの課題に対処するために、共分散に基づく正則化項を用いて、異なる測定条件をまたいだ一貫性を強制する、新しいエネルギーベースモデルを導入する。 トレーニングされたモデルでは、リトレーニングや微調整を伴わずに、様々な線形逆問題に対して正規化された後部密度を計算することができる。 拡散モデルのサンプリング能力の保存に加えて、これまで利用できなかった機能、すなわち、飛行中のスケジュールを調整するエネルギー誘導適応サンプリング、バイアスのないメトロポリス・ハスティングス補正ステップ、ベイズ規則による劣化演算子の盲目推定を可能にする。 我々は,複数のデータセット (ImageNet, CelebA, AFHQ) とタスク (ペイント, デブロアリング) について検証し,確立されたベースラインに対する競争力や優れた性能を示す。

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)
• Preconditioned Inexact Stochastic ADMM for Deep Model [35.37705488695026]
  本稿では,拡張性のある並列コンピューティングを実現するアルゴリズムであるPISAを開発し,様々な前提条件をサポートする。 これは、有界領域上の勾配のリプシッツ連続性の唯一の仮定の下で収束し、メソッドによって一般的に課される他の条件の必要性を取り除く。 様々な最先端の繰り返しに比べて優れた数値性能を示す。
  論文  参考訳（メタデータ） (2025-02-15T12:28:51Z)
• 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)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• 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)

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。