論文の概要: Picard Proximal Monte Carlo for Parallel Bayesian Imaging with Score-Based Generative Priors
- arxiv url: http://arxiv.org/abs/2608.17666v1
- Date: Tue, 18 Aug 2026 11:40:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.319198
- Title: Picard Proximal Monte Carlo for Parallel Bayesian Imaging with Score-Based Generative Priors
- Title（参考訳）: Score-based Generative Priors を用いた並列ベイズイメージングのためのピカール近位モンテカルロ
- Abstract要約: 本稿では,Langevin のダイナミクスと Picard の反復に基づく時間並列後方サンプリングフレームワーク PiX-MC を提案する。
近位線形状の定式化は、多くの画像可能性が効率的で問題固有の近位線演算子を許容するという事実を利用する。
様々な画像逆問題に対する実験により、PiX-MCは壁面時間を大幅に短縮することが示された。
- 参考スコア（独自算出の注目度）: 10.98547594152542
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian imaging inverse problems often require sampling from high-dimensional posterior distributions. While recent score-based and diffusion models provide expressive Bayesian priors, their sampling procedures remain inherently sequential and computationally expensive for large-scale imaging applications. We propose PiX-MC, a time-parallel posterior sampling framework based on proximal Langevin dynamics and Picard iteration. The proximal-likelihood formulation exploits the fact that many imaging likelihoods admit efficient, problem-specific proximal operators, while Picard refinement exposes parallelism across discretization nodes and naturally supports multi-GPU implementation. To further improve practical scalability and sampling performance, we develop multi-block and annealed variants of the proposed framework. We establish convergence guarantees under transparent assumptions, accommodating non-log-concave posteriors, imperfect learned score models, multi-block implementations, and annealing schedules. Experiments on a diverse collection of imaging inverse problems demonstrate that PiX-MC substantially reduces wall-clock time while preserving reconstruction quality. On a $512\times512\times80$ sparse-view computed tomography (CT) problem, annealed multi-block PiX-MC achieves up to a $50\times$ runtime speedup over the standard Langevin sampler using eight GPUs.
- Abstract（参考訳）: ベイズ画像逆問題はしばしば高次元後部分布からのサンプリングを必要とする。
最近のスコアベースおよび拡散モデルは、表現力のあるベイズ的先行性を提供するが、そのサンプリング手順は本質的にシーケンシャルであり、大規模イメージングアプリケーションには計算コストがかかる。
近位ランゲヴィンダイナミクスとピカード反復に基づく時間並列後部サンプリングフレームワークPiX-MCを提案する。
近位線形状の定式化は、多くの画像可能性が効率的で問題固有の近位線演算子を許容するという事実を生かし、一方Picardの改良は離散化ノード間の並列性を公開し、マルチGPU実装を自然にサポートする。
実用的スケーラビリティとサンプリング性能をさらに向上するため,提案フレームワークのマルチブロックおよびアニール変種を開発した。
我々は、透明な仮定の下で収束保証を確立し、非ログ凹後部、不完全学習スコアモデル、マルチブロック実装、アニールスケジュールを調整した。
多様な画像逆問題集の実験により、PiX-MCは、復元品質を維持しながら、壁面時間を大幅に短縮することを示した。
512\times512\times80$スパースビュー計算トモグラフィ(CT)問題では、アニールされたマルチブロックのPiX-MCが8GPUを使用して標準のLangevinサンプリングよりも50\times$のランタイムスピードアップを達成する。
関連論文リスト
- Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - Integrating Generative and Physics-Based Models for Ptychographic Imaging with Uncertainty Quantification [0.0]
Ptychographyは、走査コヒーレントな回折イメージング技術であり、拡張サンプルのナノメートル規模の特徴を撮像することができる。
本稿では,近隣のスキャン位置間の重複を少なくしながらも効果的に機能するptychographyのベイズ逆解析法を提案する。
論文 参考訳（メタデータ） (2024-12-14T16:16:37Z) - VISION-XL: High Definition Video Inverse Problem Solver using Latent Image Diffusion Models [58.464465016269614]
本稿では,遅延画像拡散モデルを用いた高精細ビデオ逆問題の解法を提案する。
提案手法は,NVIDIA 4090 GPUの1フレームあたり6秒未満でHD解像度の再構成を実現する。
論文 参考訳（メタデータ） (2024-11-29T08:10:49Z) - Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。
我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
論文 参考訳（メタデータ） (2024-10-24T14:52:38Z) - Self-Supervised Multi-Scale Network for Blind Image Deblurring via Alternating Optimization [12.082424048578753]
本稿では,遅延画像とぼやけたカーネルを共同で推定する,自己監督型マルチスケールブラインド画像デブロアリング手法を提案する。
複数スケールにわたる協調的推定により,計算集約的な粗大な伝播や画像の劣化を回避できる。
論文 参考訳（メタデータ） (2024-09-02T07:08:17Z) - Zero-Shot Adaptation for Approximate Posterior Sampling of Diffusion Models in Inverse Problems [2.8237889121096034]
画像の逆問題に対するゼロショット近似後方サンプリング(ZAPS)を提案する。
ZAPSはサンプリングステップの数を修正し、物理学誘導損失関数によるゼロショットトレーニングを使用して、不規則な時間ステップ毎にログライクな重みを学習する。
以上の結果から,ZAPSは推定時間を短縮し,不規則な騒音スケジュールに頑健性を提供し,再現性の向上を図っている。
論文 参考訳（メタデータ） (2024-07-16T00:09:37Z) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳（メタデータ） (2023-11-20T08:27:56Z) - Uncertainty Quantification via Neural Posterior Principal Components [26.26693707762823]
不確実性定量化は、画像復元モデルの安全クリティカルドメインへの展開に不可欠である。
本稿では,入力画像の後方分布のPCをニューラルネットワークの単一前方通過で予測する手法を提案する。
提案手法は, インスタンス適応型不確実性方向を確実に伝達し, 後部サンプリングに匹敵する不確実性定量化を実現する。
論文 参考訳（メタデータ） (2023-09-27T09:51:29Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳（メタデータ） (2022-01-27T20:19:07Z) - Fast and High-Quality Blind Multi-Spectral Image Pansharpening [48.68143888901669]
ブラインドパンスハーピングへの迅速なアプローチを提案し、最新の画像再構築品質を実現します。
速い盲目のpansharpeningを達成するために、私達はぼかしのカーネルおよびHRMSのイメージの解決を分離します。
アルゴリズムは計算時間と再構成品質の両面で最先端のモデルベースを上回っている。
論文 参考訳（メタデータ） (2021-03-17T23:12:14Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-16T08:17:44Z)
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。