論文の概要: Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems

• arxiv url: http://arxiv.org/abs/2608.11747v1
• Date: Wed, 12 Aug 2026 07:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.491627
• Title: Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems
• Title（参考訳）: すべてのステップ数を作る: 逆問題の画像化のための時空間情報配置
• Abstract要約: スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。 SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。 MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
• 参考スコア（独自算出の注目度）: 63.904793414062816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow-based generative models have emerged as powerful image priors for training-free inverse problem solving, capturing coherent semantics and fine-grained structure. Despite these strengths, existing flow-based inverse solvers primarily focus on the design of individual updates, largely overlooking spatio-temporal information allocation under a fixed number of function evaluations (NFEs). Temporally, insufficient early exploration can trap the flow trajectory in an incorrect semantic basin, whereas excessive allocation of NFEs to early stages leaves little budget for late-stage refinement. Spatially, data consistency provides direct constraints only within observed regions, whereas the recovery of missing regions relies mainly on the generative prior. To address these two issues, we introduce two complementary and training-free components, i.e., Spectrum-Adaptive Scheduling (SAS) and Measurement-Prioritized Attention (MPA). For temporal allocation, SAS distributes the available NFEs over flow time according to the degradation spectrum and logSNR geometry, thus better balancing semantic exploration and detail refinement. For spatial propagation, MPA exploits data-prior conflicts to guide information toward weakly constrained regions, thereby enhancing semantic and structural fidelity. Extensive experiments on standard image inverse problems, e.g., super-resolution, motion deblurring, and inpainting, demonstrate that the proposed components can be integrated into existing flow-based inverse solvers in a plug-and-play manner without retraining or additional flow-model evaluations, and can also significantly improve the restoration quality of existing solvers.
• Abstract（参考訳）: フローベース生成モデルは、トレーニング不要な逆問題解決、コヒーレントなセマンティクスときめ細かい構造を捉えるための強力な画像先行として登場した。 これらの長所にもかかわらず、既存のフローベースの逆解法は主に個々の更新の設計に焦点を合わせており、主に一定数の関数評価(NFE)の下での時空間情報割り当てを見越している。 一時的には、不十分な早期探査は、不正確なセマンティック盆地で流れの軌跡を罠にし、一方、NFEを早期に過度に割り当てることは、後期改良のための予算をほとんど残さない。 空間的には、データ一貫性は観察された領域内でのみ直接制約を与えるが、欠落した領域の回復は主に生成前の領域に依存している。 これら2つの課題に対処するため,スペクトル適応スケジューリング (SAS) と計測適応アテンション (MPA) の2つの相補的および非訓練的コンポーネントを導入する。 時間割当のために、SASは分解スペクトルとlogSNR幾何に基づいて利用可能なNFEをフロータイムに分散し、セマンティックな探索と詳細な精細化のバランスを良くする。 空間伝播のために、MPAはデータ・プライオリティの衝突を利用して、弱い制約のある領域に情報を誘導し、意味的および構造的忠実性を高める。 画像の逆問題,例えば超解像, 動き退化, および塗装に関する広範囲な実験により, 既存のフローベース逆解器に再学習や追加のフローモデル評価をすることなく, 既存のフローベース逆解器に組み込むことが可能であり, 既存の解器の復元品質を著しく向上させることができることを示した。

関連論文リスト

• Consistency Regularised Gradient Flows for Inverse Problems [0.9974630621313313]
  Vision-Language Latent Diffusion Models (LDMs) は、逆問題に対する強力な生成先行情報を提供する。 既存のLCMベースの逆解法は、多くの神経機能評価(NFE)と、大きな事前訓練されたコンポーネントによるバックプロパゲーションを必要とする。 本稿では,後続サンプリングと後続空間の迅速な最適化を共同で行う統一型ユークリッド・ワッサーシュタイン2勾配流フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-08T15:45:34Z)
• Null-Space Flow Matching for MIMO Channel Estimation in Latency-Constrained Systems [8.479186000343482]
  本稿では、パイロット限定チャネル推定をレンジ空間再構成問題とヌル空間生成問題に分解するヌル空間フローマッチング(FM)フレームワークを提案する。 提案手法は,3ms程度の厳密な遅延予算下であっても,競合正規化平均二乗誤差(NMSE)を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-23T18:49:06Z)
• Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
  フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。 1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。 画像の回復と逆問題に対するMS-Flowの有効性を示す。
  論文  参考訳（メタデータ） (2026-02-09T11:36:41Z)
• Robust Posterior Diffusion-based Sampling via Adaptive Guidance Scale [39.27744518020771]
  逆プロブレム定式化のための拡散過程を導出する適応的確率ステップサイズ戦略を提案する。 結果として得られたアプローチであるAdaptive Posterior diffusion Smpling (AdaPS)は、ハイパーフリーであり、多様な画像タスクにおける再構成品質を改善する。
  論文  参考訳（メタデータ） (2025-11-23T14:37:59Z)
• DAPS++: Rethinking Diffusion Inverse Problems with Decoupled Posterior Annealing [5.215481191227242]
  textbfDAPS++を導入することで,数値安定性を維持しつつ,推論をより直接的にガイドすることができる。 textbfDAPS++は、様々な画像復元タスク間で高い計算効率と堅牢な再構成性能を実現する。
  論文  参考訳（メタデータ） (2025-11-21T08:28:36Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• ResFlow: Fine-tuning Residual Optical Flow for Event-based High Temporal Resolution Motion Estimation [50.80115710105251]
  イベントカメラは、高時間分解能(HTR)モーション推定に重要な可能性を秘めている。 イベントデータを用いてHTR光流を推定するための残差に基づくパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-12-12T09:35:47Z)

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。