論文の概要: Beyond MMSE: Enhancing PnP Restoration with ProxiMAP

• arxiv url: http://arxiv.org/abs/2605.16396v1
• Date: Tue, 12 May 2026 15:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.208524
• Title: Beyond MMSE: Enhancing PnP Restoration with ProxiMAP
• Title（参考訳）: MMSEを超えて: ProxiMAPでPnP復元を促進する
• Authors: Kenta Vert, Giacomo Meanti, Scott Pesme, Michael Arbel, Julien Mairal,
• Abstract要約: 学習スコアが真のものと一致しないことを示すので、MAP目標化は現実的なものよりも漫画的なイメージに収束する。 ProxiMAPは、ノイズスケジュールが近似の残差ノイズと雑音のトレーニングノイズとを一致させる反復MAPである。
• 参考スコア（独自算出の注目度）: 26.76178252131569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plug-and-Play (PnP) methods have become standard tools for solving imaging inverse problems by replacing the intractable maximum a posteriori (MAP) denoiser with the MMSE one. While this mismatch has been widely treated as unavoidable, recent works have sought to close this gap by targeting the MAP with diffusion-model scores. We show this is problematic in practice: learned scores do not match the true ones, so MAP-targeting iterations converge to cartoon-like images rather than realistic ones, and better results are obtained by stopping short of convergence. We turn this observation into a design principle and introduce ProxiMAP, an iterative MAP approximation whose noise schedule keeps the iterate's residual noise matched to the denoiser's training noise. This keeps the denoiser in-distribution where its score is reliable, and yields implicit early stopping that avoids the failure mode above. ProxiMAP is a modular drop-in replacement for MMSE denoisers in standard PnP algorithms and consistently sharpens reconstructions across deblurring, inpainting, super-resolution, and phase retrieval. Building on the same principle, we propose a hybrid variant that applies ProxiMAP only in the late iterations of PnP, where the denoiser is most reliable -- matching or exceeding the full-replacement variant at a fraction of the cost.
• Abstract（参考訳）: PnP(Plug-and-Play)法は,難易度最大値(MAP)デノイザをMMSE法に置き換えることで,画像逆問題を解決するための標準ツールとなっている。 このミスマッチは避けられないものとして広く扱われてきたが、近年の研究では、MAPを拡散モデルスコアで対象とすることで、このギャップを埋めようとしている。 学習したスコアは真のスコアと一致しないので、MAP目標の反復は現実的なものよりも漫画的なイメージに収束し、収束の短さを抑えてより良い結果が得られる。 本稿では,この観測結果を設計原理に転換し,再現的なMAP近似であるProxiMAPを導入する。 これにより、スコアが信頼できるところでディストリビュータの分散が保たれ、上述の障害モードを回避するために暗黙の早期停止が生じる。 ProxiMAPは、標準のPnPアルゴリズムにおけるMMSEデノイザのモジュラー・ドロップイン・リプレースであり、劣化、塗装、超解像、位相の検索にまたがる再構成を一貫して強化する。 同じ原理に基づいて、PnP の後期反復にのみ ProxiMAP を適用するハイブリッド変種を提案する。

関連論文リスト

• Adapting to Stochastic and Adversarial Losses in Episodic MDPs with Aggregate Bandit Feedback [61.49239204705301]
  本研究では,有限水平マルコフ決定過程(MDP)におけるオンライン学習について,包括的包括的包括的フィードバックモデルを用いて検討する。 本研究は, オンライン最短経路問題の近年の進展に触発された, 占領対策, 自己拘束技術, 新たな損失推定器の組合せに依拠する。
  論文  参考訳（メタデータ） (2025-10-20T02:28:08Z)
• Plug-and-Play image restoration with Stochastic deNOising REgularization [8.678250057211368]
  SNORE(Denoising Regularization)と呼ばれる新しいフレームワークを提案する。 SNOREは、適切なレベルのノイズのある画像のみにデノイザを適用する。 これは明示的な正則化に基づいており、逆問題を解決するための降下につながる。
  論文  参考訳（メタデータ） (2024-02-01T18:05:47Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• 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)
• Denoising Generalized Expectation-Consistent Approximation for MRI Image Recovery [19.497777961872448]
  逆問題では、凸最適化のステップをアプリケーション固有のデノイザへの呼び出しに置き換えるプラグイン・アンド・プレイ(DNN)法が開発され、ディープニューラルネットワーク(DNN)を用いてしばしば実装されている。 このような手法は成功したが、改善できる。例えば、デノイザーは通常、ホワイトノイズを取り除くために設計・訓練されているが、ニューラルデノイザー入力誤差はホワイトやガウスから遠く離れている。 本稿では,各イテレーション毎に予測可能なエラー統計情報を提供するアルゴリズムと,それらの統計情報を活用する新しい画像デノワを提案する。
  論文  参考訳（メタデータ） (2022-06-09T00:58:44Z)
• Preconditioned Plug-and-Play ADMM with Locally Adjustable Denoiser for Image Restoration [54.23646128082018]
  非定常雑音分散のパラメータ化が可能なデノイザを使用するために、プラグアンドプレイの最適化の概念を拡張した。 画素調整可能なデノイザは,適切なプレコンディショニング戦略とともに,いくつかのアプリケーションに対して,プラグアンドプレイADMMアプローチをさらに改善できることを示す。
  論文  参考訳（メタデータ） (2021-10-01T15:46:35Z)
• Solving Inverse Problems by Joint Posterior Maximization with Autoencoding Prior [0.0]
  JPal Autoencoder (VAE) が先行する画像における不適切な逆問題解決の問題に対処する。 本手法は,提案した目的関数を満たすのに十分であることを示す。 結果は、より堅牢な見積もりを提供するアプローチの堅牢性も示しています。
  論文  参考訳（メタデータ） (2021-03-02T11:18:34Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)

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。