論文の概要: Learning Clean Generative Processes from Noisy Measurements
- arxiv url: http://arxiv.org/abs/2610.42036v1
- Date: Fri, 30 Oct 2026 17:01:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.822674
- Title: Learning Clean Generative Processes from Noisy Measurements
- Title(参考訳): ノイズ測定によるクリーンな生成プロセスの学習
- Abstract要約: 拡散過程と非ガウス雑音への一般化は、あらゆるノイズレベルで後続予測を必要とする。
まず、これらの予測を独立したノイズビューから学習することは可能であるが、トレーニングデータのノイズレベル以上においてのみ可能であることを示す。
CIFAR-10、光子計数顕微鏡、合成開口レーダの実験では、ノイズのみから必要な後部予測が学べることが示されている。
- 参考スコア(独自算出の注目度): 0.6117371161379209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study how to learn a generative model of clean images using only noisy observations. Diffusion processes and their generalizations to non-Gaussian noise require posterior predictions at every noise level. We first show that it is possible to learn these predictions from independent noisy views using Noise2Noise regression, but only at or above the noise level of the training data. To learn the predictions below that level, needed to generate clean images, we impose consistency: a prediction should equal its expectation after continuing the sampling process. We derive conditions under which consistency uniquely determines the continuation to the clean image distribution and verify them for Poisson, binomial, Gamma, and negative-binomial measurements. Experiments on CIFAR-10, photon-counting microscopy, and synthetic aperture radar show that the required posterior predictions can be learned from noisy views alone and that the consistency relation repairs the continuation beyond the noise level of the data, which severely deteriorates without consistency.
- Abstract(参考訳): ノイズのみを用いてクリーンな画像の生成モデルを学習する方法について検討する。
拡散過程と非ガウス雑音への一般化は、すべてのノイズレベルで後続予測を必要とする。
まず、ノイズ2ノイズレグレッションを用いて、ノイズ2ノイズレグレッションからこれらの予測を学習できることを示し、トレーニングデータのノイズレベル以上でのみ示す。
そのレベル以下の予測を学習するためには、クリーンな画像を生成する必要がある。
我々は、一貫性がクリーンな画像分布の継続を一意に決定し、ポアソン、二項、ガンマ、負二項の測定でそれらを検証する条件を導出する。
CIFAR-10、光子計数顕微鏡、合成開口レーダによる実験により、必要な後部予測はノイズのみから学習でき、一貫性関係はデータのノイズレベルを超えて継続を修復し、一貫性を損なうことなく著しく悪化することを示した。
関連論文リスト
- On the Shape of Latent Variables in a Denoising VAE-MoG: A Posterior Sampling-Based Study [51.56484100374058]
ガウス前駆体 (VAE-MoG) を用いた変分オートエンコーダの潜時空間を探索する。
モデルが基盤構造をどれだけうまく捉えているかを評価するために、ハミルトンモンテカルロ (HMC) を用いて、クリーンな入力で条件付けられた後続サンプルを描画し、ノイズの多いデータからエンコーダの出力と比較する。
モデルは正確に信号を再構成するが、統計的比較により、潜在空間における明らかなミスマッチが明らかになる。
論文 参考訳(メタデータ) (2025-09-29T18:33:09Z) - Understanding and Mitigating the Label Noise in Pre-training on
Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。
雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2023-09-29T06:18:15Z) - Image Denoising and the Generative Accumulation of Photons [63.14988413396991]
我々は,次の光子がどこに到着できるかを予測するために訓練されたネットワークが,実際に最小平均二乗誤差(MMSE)を解くことを示している。
自己監督型認知のための新しい戦略を提案する。
本稿では,画像に少量の光子を反復的にサンプリングし,付加することにより,可能な解の後方からサンプリングする新しい方法を提案する。
論文 参考訳(メタデータ) (2023-07-13T08:03:32Z) - Diffusion Model for Generative Image Denoising [17.897180118637856]
画像復調のための教師あり学習では、通常、ペアのクリーンな画像とノイズの多い画像を収集し合成し、復調モデルを訓練する。
本稿では,ノイズ画像に条件付けされたクリーン画像の後部分布を推定する問題として,デノナイジングタスクを考察する。
論文 参考訳(メタデータ) (2023-02-05T14:53:07Z) - PoGaIN: Poisson-Gaussian Image Noise Modeling from Paired Samples [9.22047303381213]
ペア画像を用いたポアソン・ガウス雑音モデルのための新しい累積的アプローチを導出する。
MSE, アウトレーヤの効果, 画像依存性, バイアスに着目し, 異なるベースライン上での性能向上を示す。
論文 参考訳(メタデータ) (2022-10-10T17:34:49Z) - Deep Variation Prior: Joint Image Denoising and Noise Variance
Estimation without Clean Data [2.3061446605472558]
本稿では,1つの共同学習フレームワークにおける画像復調と雑音分散推定の課題について検討する。
我々は、教師なしのディープラーニングフレームワークであるDVPを構築し、デノイザを同時に学習し、ノイズ分散を推定する。
提案手法では, クリーンなトレーニング画像やノイズ推定の外部ステップは必要とせず, ノイズ画像のみを用いて最小2乗誤差を近似する。
論文 参考訳(メタデータ) (2022-09-19T17:29:32Z) - Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。
ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。
トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
論文 参考訳(メタデータ) (2022-06-02T15:31:40Z) - Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。
学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。
非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
論文 参考訳(メタデータ) (2020-12-15T07:09:02Z) - Fully Unsupervised Diversity Denoising with Convolutional Variational
Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。
まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。
このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文 参考訳(メタデータ) (2020-06-10T21:28:13Z) - Self-Supervised Poisson-Gaussian Denoising [1.957338076370071]
我々は、ポアソン・ガウス雑音に対処するために、自己教師付き認知のための盲点モデルを拡張する。
本稿では,顕微鏡画像の標準ノイズモデルであるPoisson-Gaussianノイズを扱うための新しいトレーニング手法を提案する。
パフォーマンスを向上させるために、テストデータにデノイザをどのように適用できるかを示します。
論文 参考訳(メタデータ) (2020-02-21T21:34:33Z)
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。