論文の概要: BAM! Bayesian Anything Model: a foundation model for generative computational imaging

• arxiv url: http://arxiv.org/abs/2609.39660v1
• Date: Wed, 30 Sep 2026 13:02:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.80087
• Title: BAM! Bayesian Anything Model: a foundation model for generative computational imaging
• Title（参考訳）: BAM! Bayesian Anything Model: 生成計算イメージングの基礎モデル
• Abstract要約: BAM(Bayesian Anything Model)は,数ステップで物理を意識した後方サンプリングのための軽量基盤モデルである。 単一のネットワークは、数ステップで後部サンプルを描画するが、近似はあり得ず、チューニングのためのガイダンスウェイトも存在しない。
• 参考スコア（独自算出の注目度）: 2.810954959675908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models are transforming Bayesian computational imaging, yet the field still lacks physics-aware foundation models. Current practice falls into two camps. Large foundation image models are deployed as plug-and-play priors with zero-shot approximate likelihood guidance, which introduces significant bias and computational cost. Physics-aware generative models avoid this bias, but each is tied to a specific dataset, task and instrument. We introduce BAM (Bayesian Anything Model), a lightweight foundation model for few-step, physics-aware posterior sampling that generalises robustly to unseen data and tasks, zero-shot or with minimal finetuning. BAM upgrades the operator-conditioned Reconstruct Anything Model (RAM) backbone (Terris et al.) into a conditional flow map, so instrument physics is specified at inference time rather than fixed during training. BAM has just 36M parameters and is pre-trained jointly on large image corpora and libraries of forward operators. A single network then draws posterior samples in a few steps, with no likelihood approximation and no guidance weights to tune. Across linear inverse problems on FFHQ, AFHQ, LSUN, DIV2K and the Kohler camera-shake benchmark, BAM outperforms in just 3 steps both specialised models and leading zero-shot methods in sample quality, at a fraction of their computational cost. BAM gives the community an accessible entry point to generative computational imaging, lowers the economic and environmental cost of training imaging models, and opens a new path for research on physics-aware Bayesian computational imaging. Official page: https://bayesian-anything-model.github.io/
• Abstract（参考訳）: 生成モデルはベイズ計算画像に変換されているが、物理を意識した基礎モデルはいまだに欠落している。 現在の習慣は2つのキャンプに分かれている。 大きな基礎画像モデルは、ゼロショット近似近似ガイダンスでプラグ・アンド・プレイ先行としてデプロイされ、大きなバイアスと計算コストをもたらす。 物理を意識した生成モデルは、このバイアスを避けるが、それぞれが特定のデータセット、タスク、機器に結びついている。 BAM(Bayesian Anything Model)は,無意味なデータやタスク,ゼロショット,あるいは最小限の微調整に頑健に一般化する,数ステップで物理を意識した後方サンプリングのための軽量基盤モデルである。 BAMは、オペレータ条件付きリコンストラクト・アプライシング・モデル(RAM)のバックボーン(Terris et al )を条件付きフローマップにアップグレードするので、機器物理学はトレーニング中に固定されるのではなく、推論時に特定される。 BAMはわずか3600万のパラメータを持ち、大きな画像コーパスとフォワード演算子のライブラリを共同でトレーニングしている。 単一のネットワークが後続のサンプルを数ステップで描画するが、近似はあり得ず、チューニングするウェイトも存在しない。 FFHQ、AFHQ、LSUN、DIV2K、Kohlerカメラシェイクベンチマークの線形逆問題全体において、BAMは特別なモデルとサンプル品質におけるゼロショットメソッドの両方において、計算コストのごく一部で、わずか3ステップで性能が向上した。 BAMは、コミュニティに生成的計算イメージングへのエントリポイントを与え、画像モデルのトレーニングの経済的および環境的コストを下げ、物理を意識したベイズ計算イメージングの研究のための新しい道を開く。 公式ページ: https://bayesian-anything-model.github.io/

関連論文リスト

• Predict before you train: Scaling Laws for particle physics foundation models [3.279137362765848]
  我々は、コライダージェットで事前訓練された汎用変圧器について、予測可能であることを示す。 複数のサイズにまたがる事前トレーニングされた5つのモデルと、完全なトレーニングレシピとコードをリリースします。
  論文  参考訳（メタデータ） (2026-07-25T21:46:48Z)
• SeFi-Image: A Text-to-Image Foundation Model with Semantic-First Diffusion [0.0]
  SeFi-Imageはセマンティックファースト拡散に基づいて構築されたテキスト・ツー・イメージの基礎モデルである。 我々は,SeFi-Imageを3つのモデルスケール,1B,2B,5Bパラメータでインスタンス化する。 SeFi-ImageはGenEval, DPG, LongTextBench, OneIG, DMDG-2Kなど,幅広いベンチマークで高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-06-21T16:10:22Z)
• Intention-Conditioned Flow Occupancy Models [80.42634994902858]
  大規模な事前学習は、今日の機械学習研究のやり方を根本的に変えた。 同じフレームワークを強化学習に適用することは、RLの中核的な課題に対処するための魅力的な方法を提供するので、魅力的です。 生成AIの最近の進歩は、高度に複雑な分布をモデリングするための新しいツールを提供している。
  論文  参考訳（メタデータ） (2025-06-10T15:27:46Z)
• Reconstructing Humans with a Biomechanically Accurate Skeleton [55.06027148976482]
  本研究では,生体力学的に正確な骨格モデルを用いて,単一の画像から3次元人体を再構築する手法を提案する。 3次元メッシュ回復のための最先端の手法と比較して,我々のモデルは標準ベンチマーク上での競合性能を実現している。
  論文  参考訳（メタデータ） (2025-03-27T17:56:24Z)
• Rate of Model Collapse in Recursive Training [13.722324504719282]
  最適確率(MLか近距離ML)推定の下で、よく研究された分布族に対して、モデル崩壊がどれだけ早く起こるかを問う。 驚くべきことに、離散分布やガウス分布のような基本的な分布であっても、モデル崩壊の正確な速度は不明である。 その結果,単語を忘れる時間は,元のコーパスで発生した回数にほぼ線形に依存していることがわかった。
  論文  参考訳（メタデータ） (2024-12-23T15:21:50Z)
• A Simple and Efficient Baseline for Data Attribution on Images [107.12337511216228]
  現在の最先端のアプローチでは、モデル予測を正確に評価するために、最大30万のモデルの大規模なアンサンブルが必要となる。 本研究では、自己教師付き学習によって事前訓練されたバックボーンの特徴空間を利用して、データ帰属を行うミニマリストベースラインに焦点を当てる。 提案手法はモデルに依存しず,大規模データセットに容易にスケールできる。
  論文  参考訳（メタデータ） (2023-11-03T17:29:46Z)
• Composing Ensembles of Pre-trained Models via Iterative Consensus [95.10641301155232]
  本稿では,異なる事前学習モデルのアンサンブルを構成するための統一的なフレームワークを提案する。 事前学習したモデルを「ジェネレータ」あるいは「スコーラ」として使用し、クローズドループ反復コンセンサス最適化により構成する。 スコアラーのアンサンブルによって達成されたコンセンサスは、シングルスコアラーのフィードバックよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-20T18:46:31Z)
• Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
  現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。 アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。 デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
  論文  参考訳（メタデータ） (2020-01-20T15:15:07Z)

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。