論文の概要: Hallucination-Aware Diffusion Sampling for Inverse Problems via Robust Prior Updates

• arxiv url: http://arxiv.org/abs/2606.02331v1
• Date: Mon, 01 Jun 2026 14:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.292967
• Title: Hallucination-Aware Diffusion Sampling for Inverse Problems via Robust Prior Updates
• Title（参考訳）: ロバスト事前更新による逆問題に対する幻覚的拡散サンプリング
• Authors: Pengfei Jin, Yiqi Tian, Kailong Fan, Bingjie Qi, Quanzheng Li,
• Abstract要約: 拡散に基づく逆問題解法は現実的な再構成を生成できるが、現実主義だけでは、得られた詳細が測定によって支持されることは保証されない。 本研究では,この障害を計測条件付幻覚として考察する。 本稿では,拡散前更新の局所的安定性を探索する解法レベルモジュールであるRobust Prior Update (RPU)を提案する。
• 参考スコア（独自算出の注目度）: 6.331904156392056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based inverse problem solvers can produce realistic reconstructions, but realism alone does not ensure that the recovered details are supported by the measurement. We study this failure as measurement-conditioned hallucination: visually meaningful content that is either implausible or inconsistent with the measured instance. Our analysis separates Bayes-rule-based diffusion inverse solvers into a prior update and a measurement-conditioning step, showing that hallucinated content can enter through the prior-side proposal before the measurement correction is applied. Motivated by this view, we propose Robust Prior Update (RPU), a solver-level module that probes the local stability of the diffusion prior update, re-anchors the resulting displacement at the current iterate, and leaves the measurement update unchanged. We instantiate RPU in DPS and evaluate it on FFHQ and ImageNet inverse problems using automatic metrics and human faithfulness studies. On FFHQ, RPU improves PSNR and LPIPS over DPS across box inpainting, Gaussian deblurring, and motion deblurring. In human judgments, RPU receives 91.9% of blind non-tie majority preferences and 91.1% of ground-truth-assisted non-tie preferences on FFHQ box inpainting, while the ImageNet Gaussian reader study is tie-heavy but favors RPU among non-tie cases. These results support a targeted claim: robustifying the prior update can improve instance faithfulness in diffusion inverse solvers, especially when the prior shapes weakly constrained content.
• Abstract（参考訳）: 拡散に基づく逆問題解法は現実的な再構成を生成できるが、現実主義だけでは、得られた詳細が測定によって支持されることは保証されない。 本研究では,この障害を計測条件付幻覚として考察する。 本分析では,ベイズルールに基づく拡散逆解法を事前更新と測定条件のステップに分離し,測定補正を行う前に,幻覚的内容が事前提案によって入力可能であることを示す。 この観点から、拡散前更新の局所的安定性を探索し、現在の繰り返しで得られた変位を再アンカリングし、測定更新をそのまま残す、解法レベルのモジュールであるRobust Prior Update (RPU)を提案する。 DPS の RPU をインスタンス化し,FFHQ と ImageNet の逆問題に対して,自動計測と人間の忠実度研究を用いて評価する。 FFHQでは、RPUはPSNRとLPIPSをボックスインペインティング、ガウスのデブロアリング、モーションデブロアリングで改善している。 人間の判断では、RPUは盲目の非利きの多数派が91.9%、非利きの91.1%をFFHQボックスに塗布し、ImageNet Gaussianリーダーの研究はタイヘビーだが、非利きのケースではRPUが好まれている。 事前更新の堅牢化は、拡散逆解法におけるインスタンスの忠実性を改善する。

関連論文リスト

• On Stability and Robustness of Diffusion Posterior Sampling for Bayesian Inverse Problems [42.76879947185353]
  拡散に基づく解法は、生成過程を導くために、BIPにおける観測が想定される可能性に依存する。 このギャップを後部近似誤差を特徴付けることにより橋渡しし,拡散型解法のエンハンスタビリティを実証する。 本稿では, 既存の勾配型後方サンプリング装置と互換性があり, イントロバスト拡散後サンプリング法を提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:47:15Z)
• Reconstruction-Free Anomaly Detection with Diffusion Models [30.099399014193573]
  Inversion-based Anomaly Detection (AD) 手法を提案する。 元の確率フローODEを近似する際、クリーンな画像にノイズを与えるための反転ステップはごくわずかである。 付加雑音が学習拡散モデルに適応的に導出されるので、クリーンテスト画像の原特徴を引き続き利用して高い検出精度を得ることができる。
  論文  参考訳（メタデータ） (2025-04-08T04:23:43Z)
• Enhancing Diffusion Posterior Sampling for Inverse Problems by Integrating Crafted Measurements [46.03835001280626]
  現在の後方サンプリング法は、測定結果を後方サンプリングに取り込み、対象データの分布を推定する。 我々は,早期に高周波情報を早期に導入し,より大きな後部推定誤差を生じさせることを示す。 本稿では, 後方推定法として, 工法計測(逆演示法による雑音測定)を取り入れた新しい拡散後サンプリング法DPS-CMを提案する。
  論文  参考訳（メタデータ） (2024-11-15T00:06:57Z)
• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• 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)
• 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)
• DiracDiffusion: Denoising and Incremental Reconstruction with Assured Data-Consistency [24.5360032541275]
  拡散モデルは、画像復元を含む多数のコンピュータビジョンタスクにおいて、この技術の新たな状態を確立した。 逆問題解決のための新しい枠組みを提案する。つまり、観測は徐々に劣化し、元のクリーンイメージにノイズを与える劣化過程から来ていると仮定する。 本手法は, 逆過程を通じて元の計測値との整合性を維持し, 歪み指標の改善と早期ストッピングによるサンプリング高速化のために, 知覚品質のトレードオフに優れた柔軟性を実現する。
  論文  参考訳（メタデータ） (2023-03-25T04:37:20Z)
• RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
  既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。 本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。