論文の概要: PnP-CF: A Consensus Flow-Matching Solver for General Inverse Problems

• arxiv url: http://arxiv.org/abs/2610.26000v1
• Date: Mon, 19 Oct 2026 08:23:34 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:32:27.327518
• Title: PnP-CF: A Consensus Flow-Matching Solver for General Inverse Problems
• Title（参考訳）: PnP-CF:一般逆問題に対するコンセンサスフローマッチングソルバー
• Abstract要約: Plug-and-Play(ジェネレーティブ)メソッドは、学習された分散先として連続時間生成モデルを使用し、逆問題を解決する。 我々はこの枠組みを学習ネットワークフォワード演算子を含む非線形逆問題に拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Plug-and-Play (PnP) methods using continuous-time deep generative models as learned data distribution priors enable synthesizing high-quality solutions of model-based inverse problems. The quality of the solutions depends critically on the interplay and consensus between the inverse problem solver and the generative model sampler. We revisit a recently introduced flow-based PnP framework, which we refer to as PnP-CF (Consensus Flow), and extend its application to nonlinear inverse problems, including those with learned neural-network forward operators. PnP-CF combines a flow-matching denoiser with (i) ADMM-like dual variable updates and (ii) a time-adaptive pullback onto the intermediate flow probability path that combines a stochastic and a deterministic component. We discuss how these two features stabilize the algorithm and promote consensus, and demonstrate on a set of experiments that PnP-CF not only solves standard linear inverse problems with quality at least comparable to state-of-the-art baselines, but also extends gracefully to nonlinear inverse problems, including forward operators realized by pretrained neural networks, for which existing methods produce unsatisfactory results or fail completely.
• Abstract（参考訳）: 学習データ配信先として連続時間深層生成モデルを用いたPlug-and-Play(PnP)法は,モデルベース逆問題に対する高品質な解の合成を可能にする。 解の質は、逆問題解決器と生成モデルサンプリング器の相互作用とコンセンサスに大きく依存する。 我々は最近導入されたPnPフレームワークを再検討し、このフレームワークをPnP-CF(Consensus Flow)と呼び、学習したニューラルネットワークフォワード演算子を含む非線形逆問題に拡張する。 PnP-CFはフローマッチングデノイザと組み合わせる (i)ADMMライクなデュアル変数更新 (2)確率成分と決定成分を組み合わせた中間流確率経路への時間適応的な引き戻し。 これらの2つの特徴がアルゴリズムを安定化させ、コンセンサスを促進する方法について論じ、PnP-CFは、少なくとも最先端のベースラインに匹敵する品質の標準的な線形逆問題を解くだけでなく、既存の手法が不満足な結果をもたらすか、完全に失敗する事前学習されたニューラルネットワークによって実現されたフォワード演算子を含む非線形逆問題にも適切に拡張する、一連の実験で実証する。

関連論文リスト

• A Two-Stage Learning PINN Approach for Solving the Inverse Problem of the 1D Porous Medium Equation [0.0]
  多孔質媒体方程式(PME)は、多孔質媒体の流体流動、プラズマの熱伝達、人口動態などの様々な物理的応用に現れる。 物理インフォームドニューラルネットワーク(PINN)を用いた一次元直接・逆PMEの数値解について検討する。
  論文  参考訳（メタデータ） (2026-08-17T12:13:22Z)
• Consistency Regularised Gradient Flows for Inverse Problems [0.9974630621313313]
  Vision-Language Latent Diffusion Models (LDMs) は、逆問題に対する強力な生成先行情報を提供する。 既存のLCMベースの逆解法は、多くの神経機能評価(NFE)と、大きな事前訓練されたコンポーネントによるバックプロパゲーションを必要とする。 本稿では,後続サンプリングと後続空間の迅速な最適化を共同で行う統一型ユークリッド・ワッサーシュタイン2勾配流フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-08T15:45:34Z)
• Multi-Fidelity Delayed Acceptance: hierarchical MCMC sampling for Bayesian inverse problems combining multiple solvers through deep neural networks [0.3499870393443268]
  逆不確実量化(UQ)タスクは、物理モデルを扱う際に計算的に要求される。 データ駆動サロゲートモデルは、評価コストを削減するのに役立つが、高忠実度データを生成するコストによって、その実用性は制限されることが多い。 ベイズ逆問題に対するマルチフィデリティ遅延アクセプタンス方式を提案する。
  論文  参考訳（メタデータ） (2025-12-18T11:32:16Z)
• FlowLPS: Langevin-Proximal Sampling for Flow-based Inverse Problem Solvers [51.56484100374058]
  FlowLPSは、Langevin Proximal Sampling (LPS)戦略を通じて、事前訓練されたフローモデルによる逆問題を解決する。 提案手法は, 多様体一貫性探索のためのランゲヴィン力学と, 高精度なモード探索のための近似最適化を統合し, 再現忠実度と知覚品質のバランスを良くする。
  論文  参考訳（メタデータ） (2025-12-08T04:18:13Z)
• FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming [52.52020895303244]
  Mixed-Integer Linear Programming (MILP)は、複雑な意思決定問題の基本的なツールである。 混合整数線形計画法(FMIP)のための連立連続整数フローを提案する。これはMILPソリューションにおける整数変数と連続変数の共分散をモデル化する最初の生成フレームワークである。 FMIPは任意のバックボーンネットワークや様々なダウンストリームソルバと完全に互換性があり、現実世界のMILPアプリケーションにも適している。
  論文  参考訳（メタデータ） (2025-07-31T10:03:30Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Optimization and Optimizers for Adversarial Robustness [10.279287131070157]
  本稿では,汎用的制約最適化解法と制約Foldingを融合した新しいフレームワークを提案する。 信頼性に関して、PWCFは、ソリューションの品質を評価するための定常度測定と実現可能性テストのソリューションを提供する。 さらに、損失、摂動モデル、最適化アルゴリズムの様々な組み合わせを用いて、これらの問題を解決するための解の異なるパターンについて検討する。
  論文  参考訳（メタデータ） (2023-03-23T16:22:59Z)
• Physics-informed neural network simulation of multiphase poroelasticity using stress-split sequential training [0.0]
  本稿では、弾性ネットワークに基づく偏微分方程式(PDE)に支配される問題を解くための枠組みを提案する。 この手法は, ポロシ, バリ・シエの注入-生産問題, および2相排水問題の解法に収束する。
  論文  参考訳（メタデータ） (2021-10-06T20:09:09Z)

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。