論文の概要: Learning to Replace MCMC in Split-Gibbs Diffusion Posterior Sampling via Deep Unfolding

• arxiv url: http://arxiv.org/abs/2609.30539v1
• Date: Thu, 24 Sep 2026 20:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.135612
• Title: Learning to Replace MCMC in Split-Gibbs Diffusion Posterior Sampling via Deep Unfolding
• Title（参考訳）: 深部展開による分割ギプス拡散後サンプリングにおけるMCMCの置き換え学習
• Abstract要約: スプリットギブスサンプリングは、一般的な非線形逆問題に対する拡散後部推論を可能にする。 このMCMCのステップを置き換えるための学習ベースのフレームワークを提案する。 非線形位相探索実験は, 提案手法の有効性を低い確率更新コストで実証する。
• 参考スコア（独自算出の注目度）: 59.15417651849432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Split Gibbs sampling enables diffusion posterior inference for general nonlinear inverse problems by decoupling prior and likelihood computations, allowing a pretrained diffusion prior to be reused across measurement models. However, its likelihood update often relies on iterative MCMC, which can hinder parallelization, require algorithm-specific tuning, and incur substantial computational cost. In this work, we propose a learning-based framework to replace this MCMC step by reformulating both Gibbs updates as Gaussian denoising problems and implementing them through ODE diffusion. The prior step reuses a pretrained denoiser, while the likelihood denoiser exploits known likelihood structure through a lightweight deep-unfolded network. Experiments on nonlinear phase retrieval demonstrate the effectiveness of the proposed method as an alternative to MCMC-based split Gibbs at lower likelihood-update cost.
• Abstract（参考訳）: スプリットギブスサンプリングは、事前計算と可能性計算を分離することにより、一般的な非線形逆問題に対する拡散後推論を可能にし、測定モデル間で再利用される前に事前訓練された拡散を可能にする。 しかし、その可能性はしばしば並列化を妨げ、アルゴリズム固有のチューニングを必要とし、相当な計算コストを発生させる反復MCMCに依存する。 本稿では,Gibs の更新をガウス的記述問題として修正し,ODE拡散により実装することで,この MCMC のステップを置き換えるための学習ベースのフレームワークを提案する。 事前のステップは事前訓練されたデノイザを再利用し、一方、潜在的デノイザは軽量のディープアンフォールドネットワークを通じて既知の可能性構造を利用する。 非線形位相探索実験は, MCMCを用いたスプリットギブスの低い更新コストでの代替手法として, 提案手法の有効性を示す。

関連論文リスト

• FAST-DIPS: Adjoint-Free Analytic Steps and Hard-Constrained Likelihood Correction for Diffusion-Prior Inverse Problems [2.9506605740700107]
  トレーニングなし拡散の先行は、しばしば、繰り返し導関数や、保守的なステップサイズを持つ内部最適化/MCMCループに依存する。 本研究では、これらの内部ループをハードな測定空間実現可能性制約で置き換える訓練不要な解法を提案する。 実験はPSNR/SSIM/LPIPSと最大19.5$times$のスピードアップで、手書きのアジョイントや内部MCMCを使わずに、競争力のあるPSNR/SSIM/LPIPSを実現する。
  論文  参考訳（メタデータ） (2026-03-02T08:17:26Z)
• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration [64.8770356696056]
  本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。 提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
  論文  参考訳（メタデータ） (2023-01-30T06:27:48Z)
• A PAC-Bayes oracle inequality for sparse neural networks [0.0]
  非パラメトリック回帰条件下で, スパースディープニューラルネットのギブス後部分布について検討した。 この方法が回帰関数の未知の正則性と階層構造に適応することを示すオラクルの不等式を証明する。
  論文  参考訳（メタデータ） (2022-04-26T15:48:24Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• An adaptive Hessian approximated stochastic gradient MCMC method [12.93317525451798]
  後方からのサンプリング中に局所的幾何情報を組み込む適応型ヘッセン近似勾配MCMC法を提案する。 我々は,ネットワークの空間性を高めるために,等級に基づく重み付け法を採用する。
  論文  参考訳（メタデータ） (2020-10-03T16:22:15Z)

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。