論文の概要: Getting Your Guidance Weights Right in diffusion and flow-matching posterior sampling
- arxiv url: http://arxiv.org/abs/2610.03503v1
- Date: Fri, 02 Oct 2026 16:01:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.467288
- Title: Getting Your Guidance Weights Right in diffusion and flow-matching posterior sampling
- Title（参考訳）: 拡散・流動整合後サンプリングにおけるガイダンスウェイトの適正化
- Abstract要約: プラグ・アンド・プレイ法(Plug-and-Play method)とも呼ばれる無訓練後サンプリング法は、逆問題を解決するために事前訓練された非条件拡散またはフローマッチングモデルを利用する。
これらのガイダンスの重み付けを自動的に調整するための、シンプルで原則化されたオフライン戦略を導入します。
提案手法は後部サンプリングを改良し,拡散法およびフローマッチング法にまたがる最先端の再構成性能を実現する。
- 参考スコア（独自算出の注目度）: 9.936647565054427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Training-free posterior sampling methods, also known as Plug-and-Play methods, leverage pretrained unconditional diffusion or flow-matching models to solve inverse problems. Most existing approaches rely on guidance weights to balance, at each time step, prior information from the unconditional score or velocity network with measurement consistency, yet the tuning of these weights is often not discussed and is largely left to heuristics. We introduce a simple and principled offline strategy for automatically tuning these guidance weights. Our key observation is that, at each time step, the conditional denoising score-matching objective for diffusion models, or the conditional flow-matching objective for flow-matching models, is a least-squares objective. Therefore, when the conditional prediction is expressed as a weighted sum of the unconditional network output and a measurement-guidance term, optimizing over these weights reduces to a two-dimensional linear least-squares problem. The resulting time-dependent guidance weights can be optimized offline for a given measurement operator, noise level and sampler at the cost of a single minibatch of sampling trajectories, without retraining or fine-tuning the pretrained generative model. Instantiated with the standard Tweedie-based measurement-consistency term, our approach improves posterior sampling and achieves state-of-the-art reconstruction performance across diffusion- and flow-matching-based methods. Moreover, the optimized guidance weights enable diffusion samplers to reduce the number of sampling steps from 1000 to 50 with no significant degradation in reconstruction quality. Code will be made available.
- Abstract（参考訳）: プラグ・アンド・プレイ法(Plug-and-Play method)とも呼ばれる無訓練後サンプリング法は、逆問題を解決するために事前訓練された非条件拡散またはフローマッチングモデルを利用する。
既存のほとんどのアプローチは、測定一貫性のある無条件スコアや速度ネットワークからの事前情報とバランスをとるためのガイダンスウェイトに依存しているが、これらの重みのチューニングは議論されず、主にヒューリスティックスに委ねられている。
これらのガイダンスの重み付けを自動的に調整するための、シンプルで原則化されたオフライン戦略を導入する。
我々のキーとなる観察は、各段階において拡散モデルに対する条件付きDenoising score-matching 目標、またはフローマッチングモデルに対する条件付きフローマッチング 目標が最小二乗の目的であることである。
したがって、条件付き予測を無条件ネットワーク出力と測定誘導項の重み付け和として表現すると、これらの重み付けを最適化することは2次元線形最小二乗問題に還元される。
得られた時間依存誘導重量は、予め訓練された生成モデルの再学習や微調整をすることなく、サンプリング軌道の単一ミニバッチのコストで、所定の測定演算子、ノイズレベル、サンプリング器に対してオフラインで最適化することができる。
提案手法は,標準のTweedie-based Measurement-Consistency 項に基づき,後方サンプリングを改善し,拡散法および流速マッチング法にまたがる最先端の再構成性能を実現する。
さらに、最適化された誘導重量により、拡散サンプリング装置は、再構成品質を著しく低下させることなく、サンプリングステップを1000から50に減らすことができる。
コードは利用可能になる。
関連論文リスト
- Statistical Benefits of Fine-Tuning from Pretrained Initialization in Diagonal Linear Networks [76.86688424891021]
グラデーションベースの微調整によって、微調整済みの重みが暗黙的に悪用されることを示す。
以上の結果から,事前学習した重み付き情報を勾配に基づく微調整によって暗黙的に活用する方法が示唆された。
論文 参考訳（メタデータ） (2026-09-28T09:42:39Z) - Provable diffusion-based posterior sampling for linear inverse problems via DDIM [22.029416455468063]
我々は,DDIM型サンプリング器を用いて,拡散前の線形逆問題の解法として,pddimと呼ばれる単純かつ効率的なアルゴリズムを提案する。
提案手法は,雑音の線形逆問題に対する後続サンプリングを単純な座標次DDIM更新に変換し,効率よく実装可能な後続整合性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-07-21T17:53:36Z) - SURGE: Approximation and Training Free Particle Filter for Diffusion Surrogate [10.190682562038047]
本研究では,拡散モデルを用いてシステムのダイナミクスをシミュレーションし,予測する。
本研究では,騒音観測から得られる情報を組み込んで,予測されたシステム状態の継続的な修正と改善を可能にする方法について検討する。
論文 参考訳（メタデータ） (2026-05-18T17:59:00Z) - Simple Approximation and Derivative Free Inference-Time Scaling for Diffusion Models via Sequential Monte Carlo on Path Measures [13.41132148962756]
textttURGEはデリバティブフリーな推論時間スケーリングアルゴリズムで、測定値の変更によって経路的に重要な再重み付けを行う。
我々はパスワイドSMCとパーティクルワイドSMCの等価性を確立する。
論文 参考訳（メタデータ） (2026-05-18T04:45:33Z) - FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。
ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。
本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
論文 参考訳（メタデータ） (2026-02-06T03:24:23Z) - Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining [4.511561231517167]
拡散/スコアベースのモデルは、逆問題を解決するための強力な生成前駆体として現れてきた。
本稿では,任意のノイズスケジュールで忠実度重みを調整するテスト時間最適化手法であるZero-shot Adaptive Diffusion Smpling (ZADS)を提案する。
ZADSは、従来の圧縮センシングと最近の拡散ベースの手法の両方より一貫して優れている。
論文 参考訳（メタデータ） (2025-09-11T22:22:32Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - SITCOM: Step-wise Triple-Consistent Diffusion Sampling for Inverse Problems [14.2814208019426]
拡散モデル(英: Diffusion Model、DM)は、トレーニングセット上で学習した分布からサンプリングできる生成モデルのクラスである。
測定一貫性拡散軌道を達成するための3つの条件を述べる。
我々は,標準データ多様体測定一貫性と前方拡散一貫性を強制するだけでなく,提案したステップワイドおよびネットワーク正規化後方拡散一貫性を取り入れた新しい最適化に基づくサンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-10-06T13:39:36Z) - Unmasking Bias in Diffusion Model Training [40.90066994983719]
拡散モデルが画像生成の主流のアプローチとして登場した。
トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。
本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
論文 参考訳（メタデータ） (2023-10-12T16:04:41Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z)
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。