論文の概要: Perturb-and-Solve: Efficient Learned-Operator Conditioning for Latent Diffusion Inverse Problems

• arxiv url: http://arxiv.org/abs/2609.33171v1
• Date: Sun, 27 Sep 2026 03:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 02:33:29.578863
• Title: Perturb-and-Solve: Efficient Learned-Operator Conditioning for Latent Diffusion Inverse Problems
• Title（参考訳）: Perturb-and-Solve:潜在拡散逆問題に対する効率的な学習操作条件付け
• Abstract要約: PASEO(PASEO)は、学習した1Mの小さなネットワークを用いて、潜時空間における拡散モデル予測を劣化させる手法である。 拡散モデルの予測と観測画像を組み合わせることで、近似した後方から効率的に再構成をサンプリングする。 PASEOは、FFHQとCOCOの超高解像度、デブロアリング、塗装全体にわたって、9倍高速で最大34%のピークメモリを使用しながら、強い知覚品質を実現している。
• 参考スコア（独自算出の注目度）: 19.332996346435042
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Latent diffusion models serve as powerful priors for solving inverse problems in image restoration, such as deblurring, inpainting, and super-resolution. Current methods have a trade-off between generality and efficiency. Solvers that are restricted to a fixed set of degradation operators are fast and efficient. Methods that support arbitrary degradation operators are slow and require gradients through the diffusion network. To break this bottleneck, we introduce PASEO (Perturb-And-Solve for Efficient Operator conditioning), a method that uses a small (1M parameters) learned network to degrade diffusion model predictions in latent space. PASEO supports learned degradation operators without back-propagating through the diffusion network. We efficiently sample reconstructions from an approximate posterior by combining the diffusion model's prediction with the observed image. We do this by adding noise and solving linear equations based on a local linear approximation of the learned network, without building or inverting large covariance matrices. Across super-resolution, deblurring, and inpainting on FFHQ and COCO, PASEO achieves strong perceptual quality while running up to 9x faster and using up to 34% less peak memory than the tested baselines, with the same or fewer model evaluations.
• Abstract（参考訳）: 遅延拡散モデルは、退色、塗装、超解像などの画像復元における逆問題を解決するための強力な先行要因となる。 現在の手法は、一般化と効率のトレードオフがある。 固定された分解演算子に制限された解は、高速かつ効率的である。 任意の劣化演算子をサポートする方法は遅く、拡散ネットワークを通して勾配を必要とする。 このボトルネックを解消するために,PASEO (Perturb-And-Solve for Efficient Operator Conditioning) を導入する。 PASEOは、拡散ネットワークをバックプロパゲートすることなく、学習した劣化演算子をサポートする。 拡散モデルの予測と観測画像を組み合わせることで、近似した後方から効率的に再構成をサンプリングする。 学習ネットワークの局所線形近似に基づいて雑音を加え、線形方程式を解くことで、大きな共分散行列を構築したり反転させたりすることなく、これを実現できる。 PASEOはFFHQとCOCOの超解像、デブロアリング、塗装全体にわたって、9倍高速でテストベースラインよりも最大34%少ないピークメモリを使用しながら、強い知覚品質を達成する。

関連論文リスト

• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• AB-Cache: Training-Free Acceleration of Diffusion Models via Adams-Bashforth Cached Feature Reuse [19.13826316844611]
  拡散モデルは生成的タスクにおいて顕著に成功したが、反復的認知過程は推論を遅くする。 本稿では,第2次Adams-Bashforth法を用いて認知過程を解析することにより理論的に理解する。 キャッシュされた結果を直接再利用する代わりに,拡散モデルに対するキャッシングに基づく新しい高速化手法を提案する。
  論文  参考訳（メタデータ） (2025-04-13T08:29:58Z)
• Taming Diffusion Prior for Image Super-Resolution with Domain Shift SDEs [36.65594293655289]
  DoSSRは、事前訓練された拡散モデルの生成力を生かしたドメインシフト拡散に基づくSRモデルである。 このアプローチの核となるのは、既存の拡散モデルとシームレスに統合されるドメインシフト方程式です。 提案手法は, 合成および実世界のデータセットに対して, 5つのサンプリングステップしか必要とせず, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-26T12:16:11Z)
• Distilling Diffusion Models into Conditional GANs [90.76040478677609]
  複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。 我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
  論文  参考訳（メタデータ） (2024-05-09T17:59:40Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Prompt-tuning latent diffusion models for inverse problems [72.13952857287794]
  本稿では,テキストから画像への遅延拡散モデルを用いた逆問題の画像化手法を提案する。 P2Lと呼ばれる本手法は,超解像,デブロアリング,インパインティングなどの様々なタスクにおいて,画像拡散モデルと潜時拡散モデルに基づく逆問題解法の両方に優れる。
  論文  参考訳（メタデータ） (2023-10-02T11:31:48Z)
• Fast Diffusion EM: a diffusion model for blind inverse problems with application to deconvolution [0.0]
  現在の手法では、劣化が知られており、復元と多様性の点で印象的な結果をもたらすと仮定している。 本研究では、これらのモデルの効率を活用し、復元された画像と未知のパラメータを共同で推定する。 本手法は,拡散モデルから抽出したサンプルを用いて,問題の対数類似度を近似し,未知のモデルパラメータを推定する方法とを交互に比較する。
  論文  参考訳（メタデータ） (2023-09-01T06:47:13Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• Bayesian Inversion with Neural Operator (BINO) for Modeling Subdiffusion: Forward and Inverse Problems [6.114065706275863]
  本稿では,従来の数値計算手法の難しさを克服するために,BINOを用いたベイズ逆解析法を提案する。 我々は、分数拡散方程式の解演算子を学習するために、ディープ演算子ネットワークを用いる。 さらに,ディープ・オペレーター・ネットワークをベイジアン・インバージョン法と統合し,部分拡散過程による問題をモデル化し,逆拡散問題を解く。
  論文  参考訳（メタデータ） (2022-11-22T03:32:48Z)

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。