論文の概要: Unpaired Joint Distribution Modeling via Multi-Scale Image Representations

• arxiv url: http://arxiv.org/abs/2607.08198v1
• Date: Thu, 09 Jul 2026 07:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.455315
• Title: Unpaired Joint Distribution Modeling via Multi-Scale Image Representations
• Title（参考訳）: マルチスケール画像表現による不対合分布モデリング
• Abstract要約: LUD-MSRは、補助的な表現を通して結合分布をモデル化する潜在変数確率的フレームワークである。 MSRは既存のアプローチに比べて,このトレードオフのバランスが良好であることを示す。
• 参考スコア（独自算出の注目度）: 13.716130705767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the problem of learning a joint distribution from marginal observations, which is inherently ill-posed due to the ambiguity of feasible couplings. We propose LUD-MSR, a latent-variable probabilistic framework that models the joint distribution via auxiliary representations and optimizes evidence lower bounds using only marginal data. Under mild assumptions, we establish an upper bound on the distribution approximation error. This analysis reveals a trade-off in representation learning between domain consistency and information preservation. To address this trade-off, we introduce a Multi-Scale image Representation (MSR) mapping that exploits structural similarity at coarse scales while suppressing domain-specific variations. We show that MSR achieves a more favorable balance of this trade-off compared to existing approaches. Experiments on real-world denoising benchmarks, including cryo-electron microscopy (cryo-EM), demonstrate the effectiveness of the proposed framework.
• Abstract（参考訳）: 本稿では,結合のあいまいさが原因で自然に悪影響を及ぼす境界観測から,結合分布を学習する問題について考察する。 LUD-MSRは,補助表現による共同分布をモデル化し,限界データのみを用いて下界の証明を最適化する潜在変数確率的フレームワークである。 軽微な仮定の下では、分布近似誤差の上限を確立する。 この分析は、ドメイン整合性と情報保存の間の表現学習におけるトレードオフを明らかにする。 このトレードオフに対処するために、我々は、ドメイン固有のバリエーションを抑えながら、粗いスケールで構造的類似性を利用するマルチスケール画像表現(MSR)マッピングを導入する。 MSRは既存のアプローチに比べて,このトレードオフのバランスが良好であることを示す。 低温電子顕微鏡(cryo-EM)を含む実世界のデノナイジングベンチマークの実験は、提案フレームワークの有効性を実証している。

関連論文リスト

• Learning Invariant Modality Representation for Robust Multimodal Learning from a Causal Inference Perspective [6.3310165899037045]
  頑健なマルチモーダル学習のための因果的モダリティ不変表現(CmIR)学習フレームワークを提案する。 CmIRは学習した不変表現が、異なる環境におけるラベルとの安定した予測関係を維持することを保証している。 CmIRはアウト・オブ・ディストリビューションデータとノイズデータに優れ、その堅牢性と一般化性を確認する。
  論文  参考訳（メタデータ） (2026-04-20T16:16:36Z)
• Bayesian Uncertainty-Aware MRI Reconstruction [5.452868777437004]
  アンダーサンプリングk空間計測を用いた関節磁気共鳴画像再構成のための新しい枠組みを提案する。 提案手法は, 再構成画像から得られた誤差マップと強い相関関係を示すとともに, 不確かさを効果的に定量化する。
  論文  参考訳（メタデータ） (2026-03-13T11:14:53Z)
• A Semiparametric Approach to Causal Inference [2.092897805817524]
  因果推論において、重要な問題は介入や治療の効果を定量化することである。 本稿では, 半パラメトリック密度比モデル(DRM)を用いて, 対物分布の特徴付けを行う。 我々のモデルは、対物分布に関する厳密なパラメトリック仮定を避けることで柔軟性を提供する。
  論文  参考訳（メタデータ） (2024-11-01T18:03:38Z)
• Domain Generalization with Small Data [27.040070085669086]
  我々は,各データポイントを確率的埋め込みにマッピングすることで,確率的フレームワークに基づくドメイン不変表現を学習する。 提案手法は,分布上のテクスト分布の測定値(大域的視点アライメント)と分布に基づくコントラスト的セマンティックアライメント(コントラスト的セマンティックアライメント)を結合することができる。
  論文  参考訳（メタデータ） (2024-02-09T02:59:08Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
  マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。 我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
  論文  参考訳（メタデータ） (2023-08-10T08:43:20Z)
• A Probabilistic Graph Coupling View of Dimension Reduction [5.35952718937799]
  クロスエントロピーを用いた隠れグラフの結合に基づく統一統計フレームワークを提案する。 既存のペアワイズ類似性DR法は,グラフの事前選択に際し,我々のフレームワークから検索可能であることを示す。 我々のモデルはこの問題に対処するために活用され拡張され、新しいリンクはラプラシア固有写像とPCAで描画される。
  論文  参考訳（メタデータ） (2022-01-31T08:21:55Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
  本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。 我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
  論文  参考訳（メタデータ） (2020-07-29T07:31:33Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。