論文の概要: Mixture-of-Gaussians-Guided Schedule Design for Brownian Bridge Diffusion Models

• arxiv url: http://arxiv.org/abs/2607.03517v1
• Date: Fri, 03 Jul 2026 17:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.637987
• Title: Mixture-of-Gaussians-Guided Schedule Design for Brownian Bridge Diffusion Models
• Title（参考訳）: ブラウン橋拡散モデルのための混合ガウス誘導スケジュール設計
• Abstract要約: Brownian Bridge Diffusion Models (BBDM) は、画像復元と逆問題に対する魅力的なフレームワークを提供する。 BBDM逆動力学の新たな解析法として,Mixture-of-Gaussian (MoG) を用いた。 本稿では,知覚的品質を目標としたWasserstein基準と,再構成忠実度を目標としたMSE基準の2つの相補的なスケジュール設計目標を定式化する。
• 参考スコア（独自算出の注目度）: 20.840789905678488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brownian Bridge Diffusion Models (BBDM) offer an appealing framework for image restoration and inverse problems by constructing a stochastic bridge from the clean signal directly to the degraded observation, rather than to pure noise. Despite their promise, the choice of bridge schedule is typically inherited from heuristics, and a principled analytical framework for schedule design has been lacking. In this work, we develop such a framework by offering a novel analysis of BBDM reverse dynamics under a Mixture-of-Gaussians (MoG) prior. This setting yields a closed-form ideal posterior and a corresponding MMSE denoiser, while the BBDM-induced reconstruction law is captured analytically through a tractable surrogate. Building on these expressions, we formulate two complementary schedule-design objectives: a Wasserstein criterion targeting perceptual quality and an MSE criterion targeting reconstruction fidelity. Our work exposes an inherent tradeoff between the two and proves the existence of universal schedules for both that are independent of the degradation and prior. Extensive experiments on controlled MoG settings confirm full alignment between theory and practice, and experiments on the FFHQ dataset across inpainting, deblurring, and super-resolution tasks validate the practical value of our schedule-design criteria.
• Abstract（参考訳）: Brownian Bridge Diffusion Models (BBDM) は、純粋なノイズではなく、クリーン信号から直接劣化した観測へ確率的ブリッジを構築することにより、画像復元と逆問題に対する魅力的な枠組みを提供する。 その約束にもかかわらず、橋梁計画の選択は概してヒューリスティックスから受け継がれており、スケジュール設計の原則的な分析フレームワークが欠如している。 本研究では,従来の混合ガウス(MoG)の下でのBBDM逆動力学の新しい解析手法を提供することにより,そのような枠組みを開発する。 この設定は、BBDMによる再構成法則をトラクタブル・サロゲートを介して解析的に取得する一方、クローズドフォームの理想的後部と対応するMMSEデノイザを生成する。 これらの表現に基づいて, 知覚品質を目標としたワッサーシュタイン基準と, 再建忠実度を目標としたMSE基準の2つの相補的スケジュール設計目標を定式化する。 我々の研究は2つの間の本質的にのトレードオフを明らかにし、劣化と先行とは無関係な双方の普遍的なスケジュールの存在を証明している。 制御されたMoG設定に関する広範囲な実験は、理論と実践の完全な整合性を確認し、FFHQデータセットの塗装、デブロアリング、超高解像度タスクによる実験は、我々のスケジュール設計基準の実用的価値を検証する。

関連論文リスト

• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Proximal-Based Generative Modeling for Bayesian Inverse Problems [38.33757282877801]
  本稿では,新しい近位モデル(PGM)フレームワークを提案する。 我々の枠組みは拡散過程におけるガウス的畳み込みと非滑らかな最適化におけるモロー・ヨシダ正規化の理論的等価性に基づいて構築されている。 実験により,PGMは修復品質とサンプリング時間において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-13T09:55:51Z)
• Energy-oriented Diffusion Bridge for Image Restoration with Foundational Diffusion Models [65.20192162889253]
  低コストな測地軌道の集合を近似するエネルギー指向拡散橋(E-Bridge)フレームワークを提案する。 我々は、短い時間水平線上で進化する新しいブリッジプロセスを設計し、エントロピー規則化点から逆プロセスを開始することで、これを実現する。 得られたE-Bridgeは,画像復元作業における最先端性能を達成しつつ,サンプリングステップを1回以下で高品質なリカバリを実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-13T04:42:55Z)
• 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)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• RED-F: Reconstruction-Elimination based Dual-stream Contrastive Forecasting for Multivariate Time Series Anomaly Prediction [19.04414742117033]
  本稿では,再構成に基づくDual-stream Contrastive Forecasting フレームワークを提案する。 このフレームワークは、絶対信号検出の難しいタスクを、相対軌道比較のより単純で堅牢なタスクに変換する。 6つの実世界のデータセットの実験は、異常予測タスクにおけるRED-Fの優れた能力を示している。
  論文  参考訳（メタデータ） (2025-11-25T08:11:41Z)
• Residual Diffusion Bridge Model for Image Restoration [57.31163715170476]
  拡散ブリッジモデルは任意のペア分布間の確率パスを確立する。 既存のほとんどの手法は単にそれらを補間剤の単純な変種として扱い、統一的な分析的視点を欠いている。 これらの課題に対処するために,Residual Diffusion Bridge Model (RDBM)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T08:35:49Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Bayesian Conditioned Diffusion Models for Inverse Problems [11.67269909384503]
  拡散モデルは、前方測定演算子に基づく逆問題を含む多くの画像再構成タスクにおいて優れている。 本稿では,所望の画像の条件分布に関連付けられたスコア関数に基づく拡散モデルBCDMのための新しいベイズ条件付け手法を提案する。 提案手法を用いて,画像処理,デブロアリング,超高解像度化,及びインペイントにおける最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-14T07:13:03Z)
• Posterior Coreset Construction with Kernelized Stein Discrepancy for Model-Based Reinforcement Learning [78.30395044401321]
  我々は、強化学習(MBRL)のための新しいモデルベースアプローチを開発する。 ターゲット遷移モデルの仮定を緩和し、混合モデルの一般的な族に属する。 連続的な制御環境では、壁時計の時間を最大50%削減することができる。
  論文  参考訳（メタデータ） (2022-06-02T17:27:49Z)

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。