論文の概要: FlowSGS: Improving Flow Matching Priors for Inverse Imaging with Stochastic Interpolants

• arxiv url: http://arxiv.org/abs/2609.20769v1
• Date: Thu, 17 Sep 2026 17:46:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.410484
• Title: FlowSGS: Improving Flow Matching Priors for Inverse Imaging with Stochastic Interpolants
• Title（参考訳）: FlowSGS:確率補間器を用いた逆画像のフローマッチング精度の向上
• Abstract要約: FlowSGSはGibs (SGS) を用いたフローベース後方サンプリング法である 本研究では,FlowSGSのネットワーク評価を,プラグアンドプレイ拡散サンプリングよりも前段階で行う必要があることを示す。 実験により, 逆問題に対する最先端性能の低下が認められた。
• 参考スコア（独自算出の注目度）: 1.3707825707652799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching has emerged as the state-of-the-art generative model and has been used for plug-and-play (PnP) priors to solve inverse problems in computational imaging. However, existing flow-based inverse solvers assume linear forward models and/or make simplifying approximations in posterior sampling. To circumvent these problems, we introduce FlowSGS, a flow-based posterior sampling method using Split Gibbs Sampling (SGS) to decompose the posterior into a likelihood step and a prior step. Specifically, we sample from the likelihood step using Langevin dynamics and leverage the Stochastic Interpolants (SI) framework to integrate a pretrained flow model into the prior step. We provide a form for the prior step that uses SI's reverse-time SDE, and show connections to previous PnP methods. Moreover, with the aid of the flow prior's straight probability paths and a novel timestep correction technique for the reverse-time SDE, FlowSGS requires fewer network evaluations in its prior step than plug-and-play diffusion samplers. Our experiments show state-of-the-art performance on a range of inverse problems. For the first time, we provide an experiment on a nonlinear inverse problem (Fourier phase retrieval) for flow-based inverse solvers.
• Abstract（参考訳）: フローマッチングは最先端の生成モデルとして登場し、コンピュータ画像における逆問題を解決するためにプラグアンドプレイ(PnP)に使われてきた。 しかし、既存のフローベース逆解法は線形前方モデルと仮定し、後続サンプリングにおける近似を単純化する。 これらの問題を回避するために,スプリットギブズサンプリング(SGS)を用いたフローベース後部サンプリング法であるFlowSGSを導入し,後部を第1ステップと第2ステップに分解する。 具体的には、Langevinのダイナミックスを用いて確率ステップからサンプリングし、Stochastic Interpolants(SI)フレームワークを使用して事前学習したフローモデルを前ステップに統合する。 我々は,SIの逆時間SDEを用いた事前ステップのフォームを提供し,従来のPnPメソッドとの接続を示す。 さらに,フロー先行のストレート確率パスと逆時間SDEのための新しいタイムステップ補正技術により,FlowSGSは,プラグアンドプレイ拡散サンプリングよりも前ステップでのネットワーク評価を少なくする。 本実験は, 逆問題に対する最先端性能を示す。 フローベース逆解器の非線形逆問題(フーリエ位相探索)について実験を行った。

関連論文リスト

• Flow Annealing Posterior Sampling for Function-Space Regression and Inverse Problems [24.863179232277798]
  本稿では,プロセス回帰とPDE逆問題を統合する最初の関数空間後方サンプリングフレームワークであるAnaaling Posterior Sampling(FAPS)を紹介する。 FAPSは、事前訓練された関数空間のフローマッチングに基づいて構築され、可変クエリの離散化をサポートし、明示的な事前密度評価を避ける。
  論文  参考訳（メタデータ） (2026-06-21T05:47:26Z)
• 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)
• FlowLPS: Langevin-Proximal Sampling for Flow-based Inverse Problem Solvers [51.56484100374058]
  FlowLPSは、Langevin Proximal Sampling (LPS)戦略を通じて、事前訓練されたフローモデルによる逆問題を解決する。 提案手法は, 多様体一貫性探索のためのランゲヴィン力学と, 高精度なモード探索のための近似最適化を統合し, 再現忠実度と知覚品質のバランスを良くする。
  論文  参考訳（メタデータ） (2025-12-08T04:18:13Z)
• Solving Diffusion Inverse Problems with Restart Posterior Sampling [2.9527010146189556]
  逆問題(英: inverse problem)とは、科学や工学において基本的な問題であり、ノイズ測定から基礎となる信号や状態を推測することである。 近年のアプローチでは、複雑なデータ分布をキャプチャする能力のため、そのような問題に対する強力な暗黙の先行モデルとして拡散モデルが採用されている。 本稿では,線形逆問題と非線形逆問題の両方を解決するための汎用的で効率的なフレームワークであるRePS(Restart for Posterior Sampling)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T20:42:33Z)
• FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
  逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。 Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T07:56:14Z)
• 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)
• Divide-and-Conquer Posterior Sampling for Denoising Diffusion Priors [21.0128625037708]
  提案手法は, 分割・分散型後方サンプリング方式である。 これにより、再トレーニングを必要とせずに、現在のテクニックに関連する近似誤差を低減することができる。 ベイズ逆問題に対するアプローチの汎用性と有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T01:47:24Z)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• Restoration-Degradation Beyond Linear Diffusions: A Non-Asymptotic Analysis For DDIM-Type Samplers [90.45898746733397]
  本研究では拡散生成モデルに用いる決定論的サンプリング器の非漸近解析のためのフレームワークを開発する。 確率フローODEに沿った1ステップは,1) 条件付き対数線上を無限に先行して上昇する回復ステップ,2) 雑音を現在の勾配に向けて前向きに進行する劣化ステップの2段階で表すことができる。
  論文  参考訳（メタデータ） (2023-03-06T18:59:19Z)
• 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。