Fugu-MT 論文翻訳(概要): Bayesian Tensor Decomposition with Diffusion Model Prior

論文の概要: Bayesian Tensor Decomposition with Diffusion Model Prior

arxiv url: http://arxiv.org/abs/2606.03212v1
Date: Tue, 02 Jun 2026 06:13:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-03 22:00:04.800373
Title: Bayesian Tensor Decomposition with Diffusion Model Prior
Title（参考訳）: 拡散モデルによるベイズテンソルの分解
Authors: Zerui Tao, Qibin Zhao,
Abstract要約: 本稿では,ハイブリッド・プライオリティのCP分解フレームワークであるDiffBCPを紹介する。確率, 低ランク制約, 拡散前の結合性に拘わらず, 後部推論を抽出可能とする。高解像度のアウト・オブ・ディストリビューション画像を含む画像の塗布とデノイングの実験は、一貫した利得を示している。
参考スコア（独自算出の注目度）: 30.908620489273886
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Low-rank tensor decomposition (TD) is usually effective on clean, fully observed data, but it often degrades under severe missingness or noise. Low-rankness is itself a useful but limited structural prior, and additional handcrafted priors (e.g., sparsity or smoothness) still fall short of capturing the rich statistics of real-world data. To compensate for this weak inductive bias under heavy corruption, one would like to inject a learned, data-driven prior; however, the state-of-the-art diffusion models are not readily compatible with current TD and tractable posterior inference. To address these challenges, we introduce DiffBCP, a hybrid-prior Bayesian CP decomposition framework that couples a cumulative shrinkage process prior over the CP factors for automatic rank selection with an off-the-shelf pre-trained diffusion model as an implicit data prior on the reconstructed tensor. To make posterior inference tractable despite the coupling among the likelihood, low-rank constraint, and diffusion prior, we develop a split Gibbs sampler: CP factors admit conjugate updates, while the diffusion block is sampled via low-rank-guided denoising. A noise-adaptive coupling schedule further reduces sensitivity to hand-tuned annealing. Experiments on image inpainting and denoising, including high-resolution out-of-distribution images, show consistent gains over Bayesian, nonlinear, and plug-and-play TD baselines.
Abstract（参考訳）: 低ランクテンソル分解(TD)は通常、清潔で完全な観測データに有効であるが、深刻な欠損やノイズの下で劣化することが多い。低ランクはそれ自体は有用だが、構造上の先行性は限定的である。さらに手作りの先行性(例えば、疎さや滑らかさ)は、実世界のデータの豊富な統計を捉えるには不十分である。重い汚職の下でこの弱い帰納バイアスを補うために、学習されたデータ駆動の事前に注入したいが、最先端の拡散モデルは現在のTDと抽出可能な後部推論と容易には相容れない。これらの課題に対処するために、我々は、CP因子に先行する累積収縮過程と、再構成テンソルに先立って暗黙的なデータとして、既学習拡散モデルを用いて自動階数選択を行うハイブリッド・プライアCP分解フレームワークであるDiffBCPを紹介した。確率, 低ランク制約, 拡散前の結合性に拘わらず, 後部推論を可能にするため, CP因子は共役更新を許容し, 拡散ブロックは低ランク誘導復調によってサンプリングされる分割ギブスサンプリング器を開発した。雑音適応結合スケジュールは、手動焼鈍に対する感度をさらに低下させる。高解像度のアウト・オブ・ディストリビューション画像を含む画像インペイントとデノイングの実験は、ベイジアン、非線形、プラグアンドプレイのTDベースラインに対して一貫した利得を示している。

関連論文リスト

Latent Diffusion for Missing Data [6.869298033298736]
本研究は,MCARの崩壊下で,学習した潜在表現への拡散のシフトが頑健性を向上させるか否かを考察する。下流の計算では、潜伏拡散はピクセル空間の拡散よりも一貫して優れた性能を達成する。
論文参考訳（メタデータ） (2026-05-27T12:57:09Z)
Tempered Guided Diffusion [1.7778609937758325]
拡散前の条件付きトレーニング不要な条件付きサンプリングのためのシーケンシャルなモンテカルロフレームワークを提案する。 TGDは、ノイズ拡散状態のみを補助変数として、クリーン信号上の誘電後部分布を標的とする。高価な復元作業のために、TGDは初期の粒子探査を継続するが、サンプリングを通して1つの高軌道の軌道の一部にプルーネを配置する。
論文参考訳（メタデータ） (2026-05-05T13:00:15Z)
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)
Test-Time Anchoring for Discrete Diffusion Posterior Sampling [38.507644561076894]
後方サンプリングは、事前訓練された離散拡散基礎モデルにとって難しい問題である。マスク拡散基礎モデルのためのAnchored Posterior Smpling (APS) を提案する。本手法は線形および非線形逆問題に対する離散拡散サンプリング器の最先端性能を実現する。
論文参考訳（メタデータ） (2025-10-02T17:58:37Z)
Score Distillation of Flow Matching Models [67.86066177182046]
我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
論文参考訳（メタデータ） (2025-09-29T17:45:48Z)
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)
BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2024-03-15T11:21:34Z)
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)
GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
論文参考訳（メタデータ） (2023-01-30T06:27:48Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)

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。