論文の概要: Measuring Effective Data Resolution in Guided Diffusion Posteriors
- arxiv url: http://arxiv.org/abs/2610.04422v1
- Date: Sat, 03 Oct 2026 10:23:45 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 21:06:07.829891
- Title: Measuring Effective Data Resolution in Guided Diffusion Posteriors
- Title（参考訳）: ガイド付き拡散後部における効果的なデータ分解能の測定
- Abstract要約: ガイド付き拡散サンプリング装置は、スパース観測から物理場を再構築するためにますます使われている。
標準的な診断では、実際にどれだけの再建がデータによって決定されたかは明らかにされていない。
ブラックボックス生成後遺症に対する有効なデータ解決法を提案する。
- 参考スコア（独自算出の注目度）: 9.643585828936706
- License:
- Abstract: Guided diffusion samplers are increasingly used to reconstruct physical fields from sparse observations, but standard diagnostics do not say how much of the reconstruction was actually determined by the data. We introduce effective data resolution for black-box generative posteriors: a comparison between the resolution warranted by the inverse problem, $\mathrm{dof}_{\mathrm{ref}}$, and the resolution realised by the sampler, $\mathrm{dof}_{\mathrm{samp}}$. A perturbation estimator measures $\mathrm{dof}_{\mathrm{samp}}$ and the spatial map $R(x,x)$ from sampler queries alone. We validate the estimator against exact references and use it to study guided diffusion. The resulting measurements show that guidance weight can strongly alter apparent information transfer, that mean, spread and resolution are not jointly corrected by one weight even with an exact prior and score, and that resolution fidelity does not follow reliably from the apparent principledness of a guidance rule.
- Abstract（参考訳）: ガイド付き拡散サンプリング装置は、スパース観測による物理的フィールドの再構築にますます利用されているが、標準的な診断では、実際にデータによってどれだけの再構成が決定されたかは明らかにされていない。
逆問題により保証される分解能 $\mathrm{dof}_{\mathrm{ref}}$ とサンプルによって実現された分解能 $\mathrm{dof}_{\mathrm{samp}}$ を比較する。
摂動推定器は、サンプルクエリだけで$\mathrm{dof}_{\mathrm{samp}}$と空間マップ$R(x,x)$を測る。
我々は、正確な参照に対して推定器を検証し、ガイド付き拡散の研究に使用する。
得られた測定結果から、ガイダンスウェイトは、明らかな情報伝達を強く変更でき、平均、拡散、分解は、正確な事前点数とスコアでも、一重で共同修正されることがなく、ガイダンスルールの明らかな原理性から、解像度の忠実性は確実に従わないことが示された。
関連論文リスト
- PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers [58.87583368961845]
PosteriorBenchは、生成的逆解器の分布精度を評価するためのベンチマークである。
ダーシーフローの逆転、ポアソン源の回復、炭素捕獲と貯蔵、光輸送物質推論の4つの物理に基づく逆問題を評価する。
論文 参考訳（メタデータ） (2026-09-17T17:54:12Z) - The Right Measure for Physics-Constrained Generation: A Co-Area Correction for Posterior-Consistent PDE Inverse Problems [28.97171921966014]
生成モデルは、偏微分方程式(PDE)の逆問題を解くためにますます使われている。
広く採用されているレシピが間違った分布をサンプリングしていることを示す。
我々は,コエリア後部を対象とする測度制約付きサンプルであるtextbfCoCoSを紹介した。
論文 参考訳（メタデータ） (2026-06-03T12:30:03Z) - Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems [12.482127049881026]
そこで本稿では, 償却変分推論の観点から, 拡散による逆問題の解法を提案する。
我々の償却推論は、測定結果を対応するクリーンデータの暗黙の後方分布に直接マッピングする関数を学習し、未知の計測でも単一ステップの後方サンプリングを可能にする。
論文 参考訳（メタデータ） (2024-07-23T02:14:18Z) - Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。
我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
論文 参考訳（メタデータ） (2024-05-31T16:18:46Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse
Problems with Denoising Diffusion Restoration [64.8770356696056]
本稿では,DDRM(Denoising Diffusion Restoration Models)の拡張であるGibbsDDRMを提案する。
提案手法は問題に依存しないため,様々な逆問題に対して事前学習した拡散モデルを適用することができる。
論文 参考訳（メタデータ） (2023-01-30T06:27:48Z)
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。