論文の概要: Diffusion Based Unpaired Data Learning for Inverse Problems

• arxiv url: http://arxiv.org/abs/2609.01370v1
• Date: Tue, 01 Sep 2026 15:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.790863
• Title: Diffusion Based Unpaired Data Learning for Inverse Problems
• Title（参考訳）: 拡散に基づく逆問題に対する不適切なデータ学習
• Authors: Chenglong Bao, Yiming Dang, Chenguang Duan, Yuling Jiao, Defeng Sun,
• Abstract要約: 本稿では,非ペアデータを用いた逆問題の解法として,拡散に基づく LUD-DIF を提案する。 複数の逆問題に対するLUD-DIFの優れた性能を示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 22.141014781025746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data is important in many deep learning-based inverse problem solvers. However, obtaining sufficient paired data in many scenarios remains highly challenging, while unpaired data is cheap. To maximize data utilization, this paper proposes LUD-DIF, a diffusion-based approach for solving inverse problems with unpaired data. Starting from the evidence lower bound (ELBO) of the joint distribution, we decouple it into two independent diffusion processes under the weak-coupling assumption. The method provides theoretical support from a variational inference perspective, derives the loss function, quantitatively analyzes the error bound introduced by the assumption, and offers a theorem-motivated heuristic for hyperparameter selection. Experimental results demonstrate that LUD-DIF achieves outstanding performance on multiple image inverse problems, validating its effectiveness and generalization capability in unpaired inverse problem settings.
• Abstract（参考訳）: データは、多くのディープラーニングベースの逆問題解法において重要である。 しかし、多くのシナリオで十分なペアデータを取得することは非常に困難であり、未ペアデータは非常に安価である。 本稿では,データ利用を最大化するために,拡散に基づく逆問題解法である LUD-DIF を提案する。 結合分布のエビデンスローバウンド(ELBO)から始め、弱い結合仮定の下で2つの独立拡散過程に分離する。 この方法は、変分推論の観点から理論的支援を提供し、損失関数を導出し、仮定によって導入された誤差境界を定量的に解析し、超パラメータ選択のために定理を動機としたヒューリスティックを提供する。 実験結果から,LUD-DIFは複数の画像逆問題に対して優れた性能を示し,不対向問題設定におけるその有効性と一般化能力を検証した。

関連論文リスト

• Decoupled Diffusion Sampling for Inverse Problems on Function Spaces [73.52103661482242]
  既存のプラグ・アンド・プレイ拡散後サンプリングは係数ジョイント・ソリューション・モデリングを通じて物理を暗黙的に表現する。 逆PDE問題に対する関数空間における物理認識型生成フレームワークを提案する。 我々の解答拡散逆ソルバー(DDIS)は、非条件拡散が事前に係数を学習し、ニューラル演算子はガイダンスのためにフォワードPDEを明示的にモデル化する。
  論文  参考訳（メタデータ） (2026-01-30T18:54:49Z)
• Diffusion models for inverse problems [57.87606622211111]
  我々は、長年にわたって提案されてきた様々なアプローチについてレビューする。 視覚障害や高次元データ,データ不足や分散ミスマッチによる問題など,より困難な状況への拡張についても取り上げる。
  論文  参考訳（メタデータ） (2025-08-04T01:26:06Z)
• Improving Decoupled Posterior Sampling for Inverse Problems using Data Consistency Constraint [13.285652967956652]
  本稿では,逆問題に対するGDPS ( Guided Decoupled Posterior Smpling) を提案する。 我々はこの手法を潜在拡散モデルとツイーディの公式に拡張する。 GDPSは最先端のパフォーマンスを実現し、既存の手法よりも精度を向上させる。
  論文  参考訳（メタデータ） (2024-12-01T03:57:21Z)
• Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
  CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。 統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
  論文  参考訳（メタデータ） (2024-08-25T04:07:18Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
  そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。 我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-07-23T02:14:18Z)
• DiffPuter: Empowering Diffusion Models for Missing Data Imputation [56.48119008663155]
  本稿ではDiffPuterについて紹介する。DiffPuterは、データ計算の欠如に対する期待最大化(EM)アルゴリズムと組み合わせた、カスタマイズされた拡散モデルである。 我々の理論的解析は、DiffPuterのトレーニングステップがデータ密度の最大推定値に対応することを示している。 DiffPuterは,最も競争力のある既存手法と比較して,MAEが6.94%,RMSEが4.78%向上した。
  論文  参考訳（メタデータ） (2024-05-31T08:35:56Z)
• Deep Data Consistency: a Fast and Robust Diffusion Model-based Solver for Inverse Problems [0.0]
  本研究では,拡散モデルを用いた逆問題解法において,データ一貫性ステップをディープラーニングモデルで更新するディープデータ一貫性(DDC)を提案する。 線形および非線形タスクにおける最先端手法と比較して、DDCは類似度と実性の両方の指標の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-17T12:54:43Z)
• Robust Direct Learning for Causal Data Fusion [14.462235940634969]
  我々は、他のニュアンス関数から処理効果を分離するマルチソースデータを統合するためのフレームワークを提供する。 また,半パラメトリック効率理論の理論的洞察に基づく因果情報認識重み付け関数を提案する。
  論文  参考訳（メタデータ） (2022-11-01T03:33:22Z)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)

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。