論文の概要: ANaLOG: Anisotropic Native-Latent Operator Guidance for Solving Inverse Problems

• arxiv url: http://arxiv.org/abs/2609.31933v1
• Date: Fri, 25 Sep 2026 19:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:31:32.65753
• Title: ANaLOG: Anisotropic Native-Latent Operator Guidance for Solving Inverse Problems
• Title（参考訳）: ANaLOG: 逆問題解決のための異方性ネイティブレイテンシ演算子誘導
• Abstract要約: ネイティブラテントガイダンス(Native-latent guidance)は、潜伏拡散モデルを用いて逆問題を解決するための最近のパラダイムである。 本稿では,事前学習した潜伏拡散モデルを用いた効率的な不確実性認識誘導のためのフレームワークであるANaLOGを提案する。
• 参考スコア（独自算出の注目度）: 36.46459682846343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Native-latent guidance is a recent paradigm for solving inverse problems with latent diffusion models. It replaces repeated evaluations of the image-space forward model, each requiring a decoder pass, with efficient guidance computed using a learned latent-space surrogate. However, existing methods apply guidance uniformly across latent dimensions, ignoring that measurements are informative only along certain directions and that the reliability of model predictions varies across inputs and timesteps. We propose ANaLOG, a framework for efficient uncertainty-aware guidance with pretrained latent diffusion models. ANaLOG models uncertainty by learning an anisotropic, input- and time-dependent covariance that is integrated into the guidance mechanism to emphasize reliable directions and downweight uncertain ones. We theoretically analyze this framework in a linear model setting and prove that anisotropic, uncertainty-aware weighting is necessary for correct sampling, whereas isotropic guidance induces sampling errors. Experiments across five challenging inverse problems show that ANaLOG improves perceptual reconstruction quality over existing methods while preserving efficiency.
• Abstract（参考訳）: ネイティブラテントガイダンス(Native-latent guidance)は、潜伏拡散モデルを用いて逆問題を解決するための最近のパラダイムである。 これは、デコーダパスを必要とする画像空間フォワードモデルの繰り返し評価を、学習された潜在空間サロゲートを用いて計算された効率的なガイダンスに置き換える。 しかし、既存の手法では、測定が特定の方向に沿ってのみ情報であり、モデル予測の信頼性が入力やタイムステップによって異なることを無視して、潜在次元に対して一様にガイダンスを適用している。 本稿では,事前学習した潜伏拡散モデルを用いた効率的な不確実性認識誘導のためのフレームワークであるANaLOGを提案する。 ANaLOGは、信頼すべき方向と太い不確実性を強調する誘導機構に統合される異方性、入力、時間に依存した共分散を学習することによって不確実性をモデル化する。 我々はこのフレームワークを線形モデル設定で理論的に解析し、正しいサンプリングには異方性、不確実性を考慮した重み付けが必要であることを証明し、一方、等方性誘導はサンプリングエラーを誘発する。 難解な5つの逆問題に対する実験により、ANaLOGは効率を保ちながら既存の手法よりも知覚的再構成品質を向上させることが示された。

関連論文リスト

• Variational Parameter Calibration with Physics-Aware Latent-Space Surrogates [3.5829219417440368]
  本稿では,物理を意識したニューラルネットワークに基づく遅延空間フレームワークについて紹介する。 提案したオートエンコーダに基づくアプローチは,物理パラメータを潜在表現によって予測された流れ場にマッピングする,微分可能なサロゲートを与える。
  論文  参考訳（メタデータ） (2026-08-11T21:02:31Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Training-Free Stein Diffusion Guidance: Posterior Correction for Sampling Beyond High-Density Regions [46.59494117137471]
  自由拡散誘導の訓練は、追加の訓練なしに既成の分類器を活用する柔軟な方法を提供する。 本稿では,SOC を対象とする新たなトレーニングフリーフレームワークである Stein Diffusion Guidance (SDG) を紹介する。 分子低密度サンプリングタスクの実験は、SDGが標準のトレーニングフリーガイダンス手法を一貫して上回っていることを示唆している。
  論文  参考訳（メタデータ） (2025-07-07T21:14:27Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• Generalized Gaussian Temporal Difference Error for Uncertainty-aware Reinforcement Learning [0.19418036471925312]
  深部強化学習における一般化されたガウス誤差モデリングのための新しい枠組みを提案する。 我々はデータ依存型アレタリック不確実性の推定と緩和を改善する。 ポリシー勾配アルゴリズムによる実験は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2024-08-05T08:12:25Z)
• 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)
• Prototype Clustered Diffusion Models for Versatile Inverse Problems [11.55838697574475]
  測定に基づく確率は、逆の確率的図形方向を通した復元に基づく確率で再現可能であることを示す。 提案手法は, サンプル品質を考慮に入れた逆問題に対処し, 精度の高い劣化制御を実現する。
  論文  参考訳（メタデータ） (2024-07-13T04:24:53Z)
• Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems [8.33626757808923]
  本稿では,新しいデータ駆動型パラダイムであるConvex Latent-d Adrial Regularizers (CLEAR)を紹介する。 CLEARは、ディープラーニング(DL)と変分正規化の融合を表す。 本手法は従来型のデータ駆動手法と従来型の正規化手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-17T12:06:04Z)

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。