論文の概要: Retrieval-Augmented Initialization with Dual-Guided Inversion for Flow-Based Inverse Problem Solvers

• arxiv url: http://arxiv.org/abs/2610.41695v1
• Date: Fri, 30 Oct 2026 13:01:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.713603
• Title: Retrieval-Augmented Initialization with Dual-Guided Inversion for Flow-Based Inverse Problem Solvers
• Title（参考訳）: フローベース逆問題解に対するデュアルガイドインバージョンを用いた検索拡張初期化
• Abstract要約: ほとんどのフローベース逆問題解法は、ランダムなガウス雑音で再構成過程を初期化する。 画像生成における最近の研究は、初期ノイズの選択が生成結果に大きな影響を及ぼすことを示した。 本稿では、検索したプロキシクリーンイメージと二重誘導インバージョンを利用して、改善された初期ノイズを構築する方法である、デュアルガイドインバージョンを用いた検索拡張初期化(RA-DGI)を提案する。
• 参考スコア（独自算出の注目度）: 7.720402583615606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow models have recently emerged as powerful generative priors for solving inverse problems. Despite their success, most existing flow-based inverse problem solvers initialize the reconstruction process with random Gaussian noise. However, recent studies in image generation have shown that the choice of initial noise can significantly influence generation outcomes. The role of initialization as a distinct design choice in flow-based inverse problem solving remains comparatively underexplored. In this work, we systematically evaluate noise initialization strategies while holding the downstream flow-based inverse solver fixed. We propose Retrieval-Augmented Initialization with Dual-Guided Inversion (RA-DGI), a method that constructs improved initial noise by leveraging retrieved proxy clean images and dual-guided inversion. Extensive experiments across multiple inverse problems demonstrate that the quality of the initial noise substantially affects reconstruction fidelity and perceptual performance. RA-DGI outperforms standard random initialization and achieves superior results compared to inference-time scaling strategies, while requiring less computational overhead. These findings highlight initialization as a critical yet previously overlooked factor in flow-based inverse problem solvers.
• Abstract（参考訳）: フローモデルは近年、逆問題を解決するための強力な生成前駆体として出現している。 その成功にもかかわらず、既存のフローベース逆問題解法のほとんどは、ランダムなガウス雑音で再構成プロセスを初期化している。 しかし、画像生成における最近の研究により、初期雑音の選択は生成結果に大きな影響を与えることが示されている。 フローベースの逆問題解決における設計選択としての初期化の役割は、いまだに未熟である。 本研究では,下流流型逆解器を固定した状態で,雑音の初期化戦略を体系的に評価する。 本稿では、検索したプロキシクリーンイメージと二重誘導インバージョンを利用して、改善された初期ノイズを構築する方法である、デュアルガイドインバージョンを用いた検索拡張初期化(RA-DGI)を提案する。 複数の逆問題に対する広範囲な実験により、初期雑音の質が再建忠実度と知覚性能に大きく影響することが示された。 RA-DGIは、標準的なランダム初期化よりも優れ、計算オーバーヘッドを少なくしながら、推論時スケーリング戦略よりも優れた結果が得られる。 これらの知見は、フローベース逆問題解法において、初期化を批判的かつこれまで見過ごされていた要因として強調する。

関連論文リスト

• Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
  スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。 SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。 MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
  論文  参考訳（メタデータ） (2026-08-12T07:39:22Z)
• 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)
• Trajectory Stitching for Solving Inverse Problems with Flow-Based Models [68.36374645801901]
  フローベースの生成モデルは、逆問題を解決するための強力な先行要因として現れてきた。 1つの初期コードではなく、中間潜在状態の列として軌道を表すMS-Flowを提案する。 画像の回復と逆問題に対するMS-Flowの有効性を示す。
  論文  参考訳（メタデータ） (2026-02-09T11:36:41Z)
• 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)
• Solving ill-conditioned polynomial equations using score-based priors with application to multi-target detection [4.009569125126148]
  そこで本稿では,スコアベース拡散先行値とモーメントベース推定器を統合し,逆問題に対する正規化を行う新しいフレームワークを提案する。 具体的応用として,高雑音状態におけるマルチターゲット検出(MTD)モデルについて検討する。 2つの主要な結果を示す: (i)拡散先行は3次モーメントからの回復を大幅に改善し、 (ii)超解像MTD問題を作る。
  論文  参考訳（メタデータ） (2025-09-14T19:21:32Z)
• Poisson-Gaussian Holographic Phase Retrieval with Score-based Image Prior [19.231581775644617]
  本稿では,スコア関数を先行生成関数とする高速化されたWirtinger Flow (AWF) を用いた新しいアルゴリズム"AWFS"を提案する。 PRの対数様関数の勾配を計算し、リプシッツ定数を決定する。 本稿では,提案アルゴリズムの臨界点収束保証を確立する理論的解析を行う。
  論文  参考訳（メタデータ） (2023-05-12T18:08:47Z)
• Variational Laplace Autoencoders [53.08170674326728]
  変分オートエンコーダは、遅延変数の後部を近似するために、償却推論モデルを用いる。 完全分解ガウス仮定の限定的後部表現性に対処する新しい手法を提案する。 また、深部生成モデルのトレーニングのための変分ラプラスオートエンコーダ(VLAE)という一般的なフレームワークも提示する。
  論文  参考訳（メタデータ） (2022-11-30T18:59:27Z)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)
• Regularized Training of Intermediate Layers for Generative Models for Inverse Problems [9.577509224534323]
  生成モデルが中間層最適化に基づくアルゴリズムを用いた逆変換を意図している場合、それらの中間層を正規化する方法で訓練すべきである。 我々はこの原理を、中間層最適化(Intermediate Layer Optimization)とMulti-Code GAN(Multi-Code GAN)という、2つの注目すべきインバージョンアルゴリズムのインスタンス化を行う。 これら2つの逆アルゴリズムに対して、新しい正規化GANトレーニングアルゴリズムを導入し、学習した生成モデルがサンプリング比の広い範囲にわたる再構成誤差を低くすることを示した。
  論文  参考訳（メタデータ） (2022-03-08T20:30:49Z)
• Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
  本研究では,従来の正規化フローを用いた画像逆問題について検討する。 我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。 提案手法の様々な逆問題に対する有効性について実験的に検証した。
  論文  参考訳（メタデータ） (2020-03-18T08:33:49Z)

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。