論文の概要: PEEL-DDPM: Physics-Enabled Evidential Learning for the Denoising Diffusion Probabilistic Model
- arxiv url: http://arxiv.org/abs/2609.31742v1
- Date: Wed, 23 Sep 2026 02:01:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 13:11:35.631476
- Title: PEEL-DDPM: Physics-Enabled Evidential Learning for the Denoising Diffusion Probabilistic Model
- Title（参考訳）: PEEL-DDPM:Denoising Diffusion Probabilistic Modelのための物理化可能な証拠学習
- Abstract要約: PEEL-DDPMは,拡散確率モデルを記述するための物理対応の明らかな学習フレームワークである。
DDPMはまずエプシロンMSEで訓練され、その後凍結する。
その完全な逆軌道は、既知のトレーニング対象からの残留物が最終像の明らかなネットワークによってモデル化される再構成を生成する。
- 参考スコア（独自算出の注目度）: 7.5571037918649155
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Normal-inverse-gamma (NIG) regression is not identifiable from its marginal Student-t likelihood: three combinations of four NIG parameters are determined, leaving one degree of freedom. We introduce PEEL-DDPM, a physics-enabled evidential learning framework for denoising diffusion probabilistic models. A measurement-conditioned DDPM is first trained with epsilon-MSE and then frozen. Its complete reverse trajectory produces a reconstruction, whose residual from the known training object is modeled by a final-image evidential network. The network learns only the identifiable Student-t coordinates, while repeated scanner-noise realizations and repeated diffusion trajectories provide a nested Monte Carlo estimate of final-image aleatoric variance, separated into scanner-induced and sampler-induced components. This measured variance resolves the remaining NIG ambiguity and yields a decomposition of predictive uncertainty into measurement, diffusion, and epistemic terms. The method uses sequential training without a cross-loss weighting coefficient. In a feasibility study on eight held-out objects, empirical central-interval coverages were 49.3%, 80.3%, 90.1%, and 95.6% for nominal 50%, 80%, 90%, and 95% intervals. The mean squared residual was 0.967 times the mean predicted variance, and a single-image aleatoric head achieved pooled Spearman correlation 0.785 against an independent nested reference. Across five dose levels, scanner-induced variance showed a log-log dose slope of -1.15, whereas sampler-induced variance remained nearly dose independent with slope -0.01. These results support PEEL-DDPM as a practical route to identifiable and physically interpretable uncertainty quantification in diffusion-based image reconstruction.
- Abstract（参考訳）: 正規逆ガンマ(NIG)回帰は、その辺縁の学生確率から特定できない: 4つのNIGパラメータの3つの組み合わせが決定され、1つの自由度が残る。
PEEL-DDPMは,拡散確率モデルを記述するための物理対応の明らかな学習フレームワークである。
DDPMはまずエプシロンMSEで訓練され、その後凍結する。
その完全な逆軌道は、既知のトレーニング対象からの残留物が最終像の明らかなネットワークによってモデル化される再構成を生成する。
ネットワークは、識別可能な学生-t座標のみを学習し、スキャナー-ノイズの繰り返し実現と拡散軌道は、スキャナー誘起およびサンプリングによって誘導されるコンポーネントに分離された最終像のアレーラティック分散をネストしたモンテカルロ推定を与える。
この測定された分散は、残りのNIGの曖昧さを解消し、予測の不確実性の分解を測定、拡散、および疫学用語に導く。
この方法は、クロスロス重み係数を使わずにシーケンシャルトレーニングを使用する。
8つのホールドアウト物体の実施可能性調査では、実証的な中央インターバルカバレッジは49.3%、80.3%、90.1%、95.6%で、名目50%、80%、90%、95%であった。
平均2乗残差は平均的な予測変動の0.967倍であり、単像のアレタリックヘッドは独立なネスト参照に対するスピアマン相関0.785を達成した。
5つの線量レベルにわたって、スキャナー誘起のばらつきは対数線量傾きが-1.15であり、サンプルラー誘起のばらつきは、傾きが0.01でほぼ無関係であった。
これらの結果から,PEEL-DDPMは拡散画像再構成における不確実性定量化を同定し,物理的に解釈する実用的な方法であることがわかった。
関連論文リスト
- PEEL: Physics-Enabled Evidential Learning for Identifiable Uncertainty in CT Imaging [7.5571037918649155]
正規逆ガンマ(NIG)回帰は、その辺縁の学生確率から一意に識別できるものではない。
我々はその繊維を独立した物理的測定により同定する。
1画像の予測は、独立した400繰り返し参照に対して0.832-0.951のスピアマン相関を達成した。
論文 参考訳（メタデータ） (2026-08-27T20:15:54Z) - Scale-Consistent Posterior Dynamics for Diffusion Inverse Problems [16.685352002333225]
事前訓練された拡散前の後方サンプリングは、一般に難易度成分を有する条件付きスコアによって管理される。
クリーン後部にターゲットが近づいた騒音条件付き経路が連続的なサロゲートSDEを生成することを示す。
FFHQ と ImageNet の100点評価実験により,超解像および分解能の競争再現性を示す。
論文 参考訳（メタデータ） (2026-08-15T09:38:41Z) - Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。
我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。
結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
論文 参考訳（メタデータ） (2026-07-08T15:51:05Z) - A Tale of Two Variances: When Single-Seed Benchmarks Fail in Bayesian Deep Learning [10.891872788947298]
局所CRPS分散は単列推定誤差の直接信号を提供する。
パワーロー適合品質と単調性は、トラジェクトリ正則性のコンパクトなメソッドレベルの要約を提供する。
論文 参考訳（メタデータ） (2026-04-25T02:52:33Z) - Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z) - Antithetic Noise in Diffusion Models [13.216777115252563]
それぞれの初期雑音と否定をペアリングすると、強い負の相関を持つサンプルが得られる。
私たちのフレームワークはトレーニング不要で、モデルに依存しません。
論文 参考訳（メタデータ） (2025-06-06T15:46:26Z) - Kernel-Smoothed Scores for Denoising Diffusion: A Bias-Variance Study [3.265950484493743]
拡散モデルは暗記しがちである。
スコアの正規化は、トレーニングデータセットのサイズを増やすのと同じ効果がある。
この視点は、拡散をデノナイズする2つの規則化機構を強調する。
論文 参考訳（メタデータ） (2025-05-28T20:22:18Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Your Absorbing Discrete Diffusion Secretly Models the Conditional Distributions of Clean Data [55.54827581105283]
本研究では, 吸収拡散の具体的なスコアを, クリーンデータの条件付き確率として表すことができることを示す。
時間に依存しない条件付き確率を特徴付ける時間条件のない専用拡散モデルを提案する。
5つのゼロショット言語モデルベンチマークにおける拡散モデル間のSOTA性能を実現する。
論文 参考訳（メタデータ） (2024-06-06T04:22:11Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z)
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。