論文の概要: Diffusion Posterior Sampling with Uncertain Forward Models

• arxiv url: http://arxiv.org/abs/2610.29102v1
• Date: Wed, 21 Oct 2026 02:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.182685
• Title: Diffusion Posterior Sampling with Uncertain Forward Models
• Title（参考訳）: 不確実な前方モデルを用いた拡散後部サンプリング
• Abstract要約: 後部検体に対する不確実性認識可能性 (UAL) を導入する。 UALは、メインのガウシアン・デブロアリング設定において、サンプルラーの平均MSEを9%から20%削減する。 我々は再建とアンサンブル予測の改善を見出した。
• 参考スコア（独自算出の注目度）: 2.964978357715084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion posterior samplers reconstruct signals by combining a pretrained diffusion prior with a measurement likelihood specified by a forward model and a noise model. Calibration and reference data can characterize uncertainty in the forward model's parameters, such as blur kernels or detector responses. Fixing these parameters at estimated values leaves their uncertainty out of the likelihood, and parameter errors are thus absorbed into the reconstruction. We introduce an uncertainty-aware likelihood (UAL), a Gaussian approximation to the marginal likelihood obtained by integrating over the uncertain parameters. For each candidate signal, UAL propagates parameter uncertainty into a structured measurement covariance, reducing the quadratic penalty along residual directions that parameter variation can explain. Existing samplers can use UAL in their data updates while retaining their pretrained diffusion priors and sampling schedules. Under a fixed Gaussian nuisance model, we bound likelihood error from linearization and average divergence between the exact marginal and UAL posteriors. We compare samplers with and without UAL across six inverse problems spanning Gaussian and motion deblurring, CT, MRI, ultrasound, and fluorescence microscopy, and find improvements in reconstruction and ensemble prediction. UAL reduces geometric mean MSE by 9% to 20% across samplers in the main Gaussian-deblurring setting and by 51% to 92% in motion deblurring when non-blind samplers use the population-mean kernel. In motion deblurring, DAPS and PnP-DM with UAL also give 6.2 to 6.4 dB higher ensemble-mean PSNR than published BlindDPS and Fast Diffusion EM. On the ablation set, UAL outperforms trace-matched isotropic inflation for PnP-DM in both deblurring tasks; in motion deblurring, it also exceeds the best-tested fixed scalar data weighting by 3.3 dB for PnP-DM and 4.2 dB for DAPS in average PSNR.
• Abstract（参考訳）: 拡散後サンプリング器は、事前訓練された拡散と前方モデルと騒音モデルで指定された測定可能性を組み合わせることにより、信号を再構成する。 校正と参照データは、ぼやけたカーネルや検出器応答などのフォワードモデルのパラメータの不確かさを特徴付けることができる。 これらのパラメータを推定値で固定すると、その不確実性は可能性から逸脱し、パラメータエラーは再構成に吸収される。 本稿では,不確実性を考慮した確率(UAL)を,不確実性パラメータを積分して得られる限界確率に近似したガウス近似を導入する。 それぞれの候補信号に対して、UALはパラメータの不確実性を構造化された測定共分散に伝達し、パラメータの変動が説明できる残留方向に沿った二次的なペナルティを減少させる。 既存のサンプルはデータ更新にUALを使用でき、事前トレーニングされた拡散の事前とサンプリングスケジュールを保持することができる。 固定されたガウスニュアンスモデルの下では、線形化と有極端とUAL後部の平均偏差から確率誤差を推定する。 サンプルとUALを比較検討し, ガウス, 運動遅延, CT, MRI, 超音波, 蛍光顕微鏡にまたがる6つの逆問題を比較し, 再構成とアンサンブル予測の改善を見いだした。 UALは、ガウス平均MSIをメインのガウス平均値で9%から20%減らし、51%から92%減らした。 UALとDAPSとPnP-DMは、BlindDPSやFast Diffusion EMよりも6.2から6.4dB高いアンサンブル平均PSNRを与える。 アブレーションセットでは、UALは両方の脱臭タスクにおいてPnP-DMのトレース整合等方性インフレーションを上回り、運動脱臭ではPnP-DMの3.3dB、DAPSの4.2dBの最良の固定スカラーデータも上回っている。

関連論文リスト

• Uniform Diffusion Models Revisited: Leave-One-Out Denoiser and Absorbing State Reformulation [72.05592785529404]
  UDMの標準プラグインブリッジパラメタライゼーションは,後側頭蓋に最適化されないことを示す。 また,UDM関節法をマスク拡散様サンプリング操作に分解して保存する均一拡散の吸収状態再構成も導入した。
  論文  参考訳（メタデータ） (2026-05-21T17:27:19Z)
• Proximal-IMH: Proximal Posterior Proposals for Independent Metropolis-Hastings with Approximate Operators [4.887201041798969]
  本稿では,近似後部からのサンプルを補助最適化問題により補正する手法であるProximal-IMHを紹介する。 最適設定のために、近似補正が近似後部と正確な後部とのマッチングを締め付け、受容率と混合率を向上させることを証明した。 この方法は線形および非線形入力出力演算子の両方に適用され、特に正確な後方サンプリングが高価すぎる逆問題に向いている。
  論文  参考訳（メタデータ） (2026-02-24T22:58:50Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Decoupled Diffusion Sampling for Inverse Problems on Function Spaces [73.52103661482242]
  既存のプラグ・アンド・プレイ拡散後サンプリングは係数ジョイント・ソリューション・モデリングを通じて物理を暗黙的に表現する。 逆PDE問題に対する関数空間における物理認識型生成フレームワークを提案する。 我々の解答拡散逆ソルバー(DDIS)は、非条件拡散が事前に係数を学習し、ニューラル演算子はガイダンスのためにフォワードPDEを明示的にモデル化する。
  論文  参考訳（メタデータ） (2026-01-30T18:54:49Z)
• Plug-and-Play Posterior Sampling under Mismatched Measurement and Prior Models [15.128123938848882]
  後方サンプリングは、逆問題を解決するための強力なベイズ的アプローチであることが示されている。 近年,モンテカルロサンプリングの有望な手法として,プラグ・アンド・プレイアンプレイのランゲヴィンアルゴリズムが登場している。
  論文  参考訳（メタデータ） (2023-10-05T13:57:53Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)
• 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)
• Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems [14.809545109705256]
  本稿では、簡単な閉形式近似を確率スコアに提案することにより、高速で効果的な解を提案する。 拡散モデルとフローベースモデルの両方において、様々な雑音線形逆問題に対して広範な実験を行う。 提案手法は,全ての基本手法よりもはるかに高速でありながら,高い競争力あるいはより優れた復元性能を示す。
  論文  参考訳（メタデータ） (2022-11-20T01:09:49Z)

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。