論文の概要: Noise-Robust Conditional Flow Matching: Generating Clean Samples from Noisy Datasets

• arxiv url: http://arxiv.org/abs/2608.00064v2
• Date: Tue, 04 Aug 2026 14:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 13:15:27.409773
• Title: Noise-Robust Conditional Flow Matching: Generating Clean Samples from Noisy Datasets
• Title（参考訳）: 騒音-腐食条件付き流れマッチング:ノイズデータセットからクリーンサンプルを生成する
• Authors: Adrian Urbański, Gabriel della Maggiora, Artur Yakimovich,
• Abstract要約: 条件付きフローマッチング(CFM)は、単純な回帰目標と安定したトレーニング、効率的なサンプリング、強力な画像生成性能を組み合わせる。 本研究では, ノイズ・ロバスト条件付きフローマッチング (NR-CFM) を導入する。
• 参考スコア（独自算出の注目度）: 3.998139009044269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models learn the statistical properties of their training data, so high-quality generation depends on clean and representative datasets. In scientific imaging, acquisition often yields noisy measurements, while collecting clean references can be costly, impractical or even unattainable. Training directly on these measurements results in a model that reproduces the corrupted data. This can be circumvented by learning the clean population distribution directly from the noisy data. Conditional flow matching (CFM) combines a simple regression objective with stable training, efficient sampling, and strong image-generation performance, making it a natural framework for this setting. We introduce Noise-Robust Conditional Flow Matching (NR-CFM), an unconditional generator that learns from one corrupted observation per image. NR-CFM provides a closed-form clean endpoint correction for additive white Gaussian noise and learns a data-driven correction for general Gaussian corruptions with more complex covariance structure. Across the evaluated corruption settings, NR-CFM outperforms NR-GAN in most cases and remains competitive with Ambient Diffusion in the high-noise regime. We further evaluate NR-CFM on scientific data at signal-to-noise ratios as low as $0.001$, where it generates plausible particle images from severely corrupted measurements.
• Abstract（参考訳）: 生成モデルはトレーニングデータの統計的特性を学習するため、高品質な生成はクリーンで代表的なデータセットに依存する。 科学的イメージングでは、取得はしばしばノイズを発生させるが、クリーンな参照の収集はコストがかかり、実用的でなく、あるいは達成不可能である。 これらの測定を直接訓練すると、破損したデータを再現するモデルが得られる。 これは、ノイズデータから直接クリーンな人口分布を学習することで回避できる。 条件付きフローマッチング(CFM)は、単純な回帰目標と安定したトレーニング、効率的なサンプリング、強力な画像生成性能を組み合わせることで、この設定の自然な枠組みとなる。 本研究では, ノイズ・ロバスト条件付きフローマッチング (NR-CFM) を導入する。 NR-CFMは、付加的な白色ガウス雑音に対する閉形式のクリーンエンドポイント補正を提供し、より複雑な共分散構造を持つ一般ガウス劣化に対するデータ駆動補正を学習する。 評価された汚職設定全体にわたって、NR-CFMはNR-GANよりも優れており、ハイノイズ政権におけるアンビエント拡散と競合し続けている。 さらに、SN-CFMを0.001ドルと低めに評価し、劣化した測定結果から可塑性粒子画像を生成する。

関連論文リスト

• Interleaved Noise Injection Improves Clean, Corrupted, and OOD Performance [1.6567880228735357]
  本稿では, ノイズ注入の理論解析を行い, インパルスノイズによる劣化がヤコビ正規化に近似していることを確認する。 本研究は, インダクティブバイアスによる障害モードのペナルティ化が, インターリーブドノイズ注入の効果に起因していることを示す。 したがって、インターリーブノイズ注入は、本質的に計算コストゼロで、クリーンでノイズの多い、およびアウト・オブ・ディストリビューションデータのテスト性能を向上させる効果的なツールである。
  論文  参考訳（メタデータ） (2026-07-16T01:25:44Z)
• Memory-Distilled Selection for Noise-Robust Anomaly Detection [17.179366730533438]
  データ汚染下での異常検出(AD)は、産業環境における教師なし欠陥検出の展開に重要である。 データ選択に基づくトレーニングアルゴリズムであるメモリ蒸留選択(MeDS)を提案する。 MeDSは、ランダムなサブサンプリングを通じて部分記憶のアンサンブルを構築し、その結果の空間性はローパスフィルタとして機能する。
  論文  参考訳（メタデータ） (2026-05-26T08:13:41Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Low-Field Magnetic Resonance Image Quality Enhancement using a Conditional Flow Matching Model [0.3683202928838613]
  条件付きフローマッチング(CFM)は、雑音分布と目標データ分布の間の連続的な流れを学習する。 本フレームワークは,対応する低フィールド入力から高フィールド型MR画像を再構成するように設計されている。 実験により、CFMは最先端の性能を達成するが、分布内データと分布外データの両方に頑健に一般化することを示した。
  論文  参考訳（メタデータ） (2025-10-14T11:41:27Z)
• On the Shape of Latent Variables in a Denoising VAE-MoG: A Posterior Sampling-Based Study [51.56484100374058]
  ガウス前駆体 (VAE-MoG) を用いた変分オートエンコーダの潜時空間を探索する。 モデルが基盤構造をどれだけうまく捉えているかを評価するために、ハミルトンモンテカルロ (HMC) を用いて、クリーンな入力で条件付けられた後続サンプルを描画し、ノイズの多いデータからエンコーダの出力と比較する。 モデルは正確に信号を再構成するが、統計的比較により、潜在空間における明らかなミスマッチが明らかになる。
  論文  参考訳（メタデータ） (2025-09-29T18:33:09Z)
• Denoising Score Distillation: From Noisy Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  低品質データから高品質な生成モデルをトレーニングするための驚くほど効果的で斬新なアプローチであるDSD(Denoising score distillation)を導入する。 DSDはノイズの多い劣化したサンプルにのみ拡散モデルを事前訓練し、精製されたクリーンな出力を生成することができる1ステップの発電機に蒸留する。
  論文  参考訳（メタデータ） (2025-03-10T17:44:46Z)
• GSURE-Based Diffusion Model Training with Corrupted Data [35.56267114494076]
  本稿では, 劣化データのみに基づく生成拡散モデルのための新しいトレーニング手法を提案する。 顔画像と磁気共鳴画像(MRI)の撮影技術について紹介する。
  論文  参考訳（メタデータ） (2023-05-22T15:27:20Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
  本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。 学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。 非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
  論文  参考訳（メタデータ） (2020-12-15T07:09:02Z)

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。