論文の概要: Measurement Geometry and Design for Trustworthy Generative Inverse Problems

• arxiv url: http://arxiv.org/abs/2606.02309v1
• Date: Mon, 01 Jun 2026 14:28:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.28129
• Title: Measurement Geometry and Design for Trustworthy Generative Inverse Problems
• Title（参考訳）: 信頼できる生成逆問題のための計測幾何学と設計
• Authors: Pengfei Jin, Na Li, Quanzheng Li,
• Abstract要約: 本研究では,測度・測度の観点から生成的逆問題について検討する。 中心的な問題は、固定測定オペレータが、生成前の条件下で可視である近傍の画像を識別できるかどうかである。 本稿では,操作者が先行関係の接点方向をいかによく観察するかを定量化する局所的な測定・次元整合性尺度を提案する。
• 参考スコア（独自算出の注目度）: 9.927046475467204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models are increasingly used as priors for inverse problems, but their ability to produce realistic images creates a basic trust problem: a plausible reconstruction may be supported by the measurements, or it may be filled in by the prior along unobserved directions. This distinction is especially important in medical imaging, where acquisition operators are designed under scan-time, dose, and calibration constraints. We study generative inverse problems from a measurement-geometry perspective. The central question is whether a fixed measurement operator can distinguish nearby images that are plausible under the generative prior, and whether this relationship can guide better measurements. We introduce a local measurement-manifold compatibility measure that quantifies how well the operator observes prior-relevant tangent directions. Under local regularity assumptions, we prove that this quantity controls the stable part of the reconstruction error, while the generative prior controls off-manifold drift. This worst-direction certificate motivates practical fixed and sequential acquisition rules based on overall local volume preservation, including a posterior-cloud design that adapts measurements at test time without training a sampling policy. Across row-sampling, tomographic, and MR acquisition settings, the proposed scores predict failure modes, explain measurement-induced hallucinations, and guide better sampling. In fastMRI Cartesian sampling, posterior-cloud measurement design improves over strong non-learned ACS-preserving baselines, including variable-density and Poisson-like masks.
• Abstract（参考訳）: 生成モデルは逆問題の前身として使われることが多いが、現実的な画像を生成する能力は基本的な信頼の問題を生み出している。 この区別は、取得オペレーターがスキャン時間、線量、キャリブレーションの制約の下で設計される医療画像において特に重要である。 本研究では,測度・測度の観点から生成的逆問題について検討する。 中心的な疑問は、固定測定オペレーターが、生成前の条件下で検証可能な近傍の画像を識別できるかどうか、そして、この関係がより良い測定を導くことができるかどうかである。 本稿では,操作者が先行関係の接点方向をいかによく観察するかを定量化する局所的な測定・次元整合性尺度を提案する。 局所正規性仮定の下では、この量が復元誤差の安定部分を制御し、生成前のドリフトがオフマンフォールドを制御していることが証明される。 この最悪の方向認証は、サンプリングポリシをトレーニングすることなく、テスト時に測定を適応する後クラウド設計を含む、全体の局所的なボリューム保存に基づいて、実用的な固定およびシーケンシャルな取得ルールを動機付けている。 行サンプリング,トモグラフィ,MR取得設定を通じて,提案したスコアは障害モードを予測し,測定による幻覚を説明するとともに,より優れたサンプリングを導出する。 高速MRIカルテシアンサンプリングでは、後方クラウド計測設計は、可変密度やポアソンのようなマスクを含む強力な非学習型ACS保存ベースラインよりも改善される。

関連論文リスト

• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Measurement-Constrained Sampling for Text-Prompted Blind Face Restoration [60.45423400845294]
  ブラインドフェース修復(BFR)は、極低品質(LQ)入力下での複数の高品質(HQ)再構築に対応できる。 本研究では,異なるテキストプロンプトを条件とした多種多様なLQ顔再構成を可能にするMCS手法を提案する。
  論文  参考訳（メタデータ） (2025-11-18T07:44:54Z)
• Towards Distribution-Shift Uncertainty Estimation for Inverse Problems with Generative Priors [4.085626952545055]
  遺伝子モデルは、逆問題を解決するためのデータ駆動の先駆体として強い可能性を示してきた。 本稿では,分散シフトに敏感なインスタンスレベルのキャリブレーションのない不確実性指標を提案する。 提案するインジケータは,任意の計算画像逆問題に対して効率的に計算可能である。
  論文  参考訳（メタデータ） (2025-10-13T02:58:26Z)
• Measurement-Guided Consistency Model Sampling for Inverse Problems [2.217547045999963]
  一貫性モデルは、単一または数ステップで高品質な生成を可能にする。 逆問題再構成に適した整合性サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T16:53:07Z)
• Generative Model Inversion Through the Lens of the Manifold Hypothesis [98.37040155914595]
  モデル反転攻撃(MIA)は、訓練されたモデルからクラス表現型サンプルを再構成することを目的としている。 最近の生成的MIAは、生成的敵ネットワークを使用して、反転過程を導く画像の事前学習を行う。
  論文  参考訳（メタデータ） (2025-09-24T14:39:25Z)
• 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)
• pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
  画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。 本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
  論文  参考訳（メタデータ） (2024-11-01T14:09:28Z)
• Task-Driven Uncertainty Quantification in Inverse Problems via Conformal Prediction [11.393603788068777]
  逆問題の画像化では、画像が欠落/破損した測定結果から回復しようとする。 検索した画像が下流タスクに使用されるアプリケーションによって動機付けられ,不確実性定量化のためのタスク中心のアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-28T18:49:17Z)
• MOSAIC: Masked Optimisation with Selective Attention for Image Reconstruction [0.5541644538483947]
  本研究では,無作為な計測値の選択を考慮に入れた画像再構成のための新しい圧縮センシングフレームワークを提案する。 MOSAICは、エンコードされた一連の測定に注意機構を効率的に適用するために埋め込み技術を採用している。 既存のCS再建手法の代替として,提案するアーキテクチャを検証した。
  論文  参考訳（メタデータ） (2023-06-01T17:05:02Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)

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。