論文の概要: CLIMB-flow: Coupled Linear Inverse posterior sampling via Multiscale-Based flow

• arxiv url: http://arxiv.org/abs/2609.33834v1
• Date: Sun, 27 Sep 2026 18:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 16:24:16.231111
• Title: CLIMB-flow: Coupled Linear Inverse posterior sampling via Multiscale-Based flow
• Title（参考訳）: CLIMB-flow:マルチスケールフローを用いた線形逆後方サンプリング
• Abstract要約: ピラミッド/カスケードアーキテクチャ用にカスタマイズされた後部サンプリングアルゴリズムを提案する。 ImageNet, CelebA, AFHQ, fastMRI span inpainting, deblurring, super- resolution and accelerated MRI の実験では、最強の競合法よりも1.37-7.66 dBのPSNRゲインが得られた。
• 参考スコア（独自算出の注目度）: 5.56170994755393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models are now widely used in Bayesian inverse problems in imaging as priors, where latent diffusion models are often used for larger scale problems to keep the computational complexity and model-size manageable. Unfortunately, the auto-encoder based compression results in loss of spatial detail. In addition, the optimization is converted to a non-linear problem. In this paper, we introduce a posterior sampling algorithm customized for the pyramidal/cascaded architecture, which relies on a coarse to fine hierarchical strategy to generate images in the pixel domain. We present CLIMB-Flow which alternates between three steps: an end-point estimation from the current coarse and noisy image, data-consistent update of the clean image, and re-noising it back to the level the network expects. Together these steps sample the posterior at that scale using an approximate Gibbs sampling from two conditional distributions. Experiments on ImageNet, CelebA, AFHQ and fastMRI span inpainting, deblurring, super-resolution and accelerated MRI, with PSNR gains of 1.37-7.66 dB over the strongest competing method on CelebA and pixel-domain reconstruction up to 512x512.
• Abstract（参考訳）: 拡散モデルは現在、画像のベイズ逆問題(英語版)(Bayes inverse problem in imaging as priors)において広く使われており、遅延拡散モデルは計算複雑性とモデルサイズの管理性を維持するために大規模問題にしばしば用いられる。 残念ながら、オートエンコーダベースの圧縮では空間的詳細が失われる。 さらに、最適化は非線形問題に変換される。 本稿では,ピラミッド/カスケードアーキテクチャ用にカスタマイズされた後方サンプリングアルゴリズムを提案する。 提案するCLIMB-Flowは,現在の粗大画像と雑音画像からの終点推定,クリーン画像のデータ一貫性更新,ネットワークが期待するレベルへの再ノイズ化という3つのステップを交互に行う。 これらのステップは、2つの条件分布から近似したギブスサンプリングを用いて、そのスケールで後部をサンプリングする。 ImageNet, CelebA, AFHQ, fastMRI span inpainting, deblurring, super- resolution and accelerated MRI の実験では、PSNR は CelebA と 512x512 までの画素領域再構成において最強の競合法である 1.37-7.66 dB を達成した。

関連論文リスト

• ShuffleFlow: Scalable Posterior Inference for Bayesian Inverse Imaging [4.497683654789124]
  変分推論(VI)は科学的逆画像の原理的後部推論の強力な方法である。 この課題に対処するためのスケーラブルなVIフレームワークであるShuffleFlowを紹介します。
  論文  参考訳（メタデータ） (2026-06-19T04:59:16Z)
• Pixel to Gaussian: Ultra-Fast Continuous Super-Resolution with 2D Gaussian Modeling [50.34513854725803]
  Arbitrary-scale Super- resolution (ASSR) は、低解像度(LR)入力から任意のアップサンプリング係数で高解像度(HR)イメージを再構成することを目的としている。 本稿では,Gaussian Splattingを用いたLR画像から2次元連続HR信号を明示的に再構成する,Pixel-to-Gaussianパラダイムを用いた新しいContinuousSRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-09T13:43:57Z)
• 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)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Lossy Image Compression with Conditional Diffusion Models [25.158390422252097]
  本稿では,拡散生成モデルを用いた画像圧縮のエンドツーエンド最適化について概説する。 VAEベースのニューラル圧縮とは対照的に、(平均)デコーダは決定論的ニューラルネットワークであり、私たちのデコーダは条件付き拡散モデルである。 提案手法では,GANモデルよりもFIDスコアが強く,VAEモデルとの競合性能も高い。
  論文  参考訳（メタデータ） (2022-09-14T21:53:27Z)

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。