論文の概要: Dual Flow: Joint Image-Measurement Interpolation for Inverse Problems
- arxiv url: http://arxiv.org/abs/2611.05843v2
- Date: Thu, 12 Nov 2026 18:54:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.847045
- Title: Dual Flow: Joint Image-Measurement Interpolation for Inverse Problems
- Title(参考訳): 二重流:逆問題に対する共同画像計測補間
- Abstract要約: 本稿では,線形逆問題に対する新しい連成フローモデルであるDual Flowを紹介する。
画像再構成とデノナイジングを結合推定問題として定式化する。
構築により、下層の前方モデルを満たすため、最終的な画像および測定推定値が保証される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative model-based approaches to linear inverse problems typically use the acquired noisy measurement to condition or guide sampling in the image domain. In this work, we introduce Dual Flow, a novel joint-flow model for solving linear inverse problems by jointly estimating the clean image and corresponding noise-free measurement from the observation. Specifically, Dual Flow formulates image reconstruction and measurement denoising as a coupled estimation problem, using coupled flows in the image and measurement domains. The acquired noisy measurement is used only to initialize the measurement state; thereafter, image and measurement states are jointly updated based on their current values. By construction, the final image and measurement estimates are guaranteed to satisfy the underlying forward model. We derive the sampling updates for the joint-flow which involves the conditional mean of the clean image given the joint state. We further derive a closed-form expression for a sufficient statistic of the joint state and show that the required conditional mean can be obtained by solving an image-domain Gaussian denoising problem involving operator-dependent, correlated noise. We train a velocity-prediction network using this formulation to estimate the conditional mean from the derived sufficient statistic. Extensive experiments across various linear inverse problems and image datasets demonstrate state-of-the-art performance in both distortion metrics and perceptual quality. Dual Flow requires no hyperparameter tuning beyond the number of inference steps and achieves shorter reconstruction times than competing methods. Additional analyses assess robustness to model mismatch, as well as the ability to generate diverse plausible reconstructions and characterize reconstruction uncertainty.
- Abstract(参考訳): 線形逆問題に対する生成モデルに基づくアプローチは、通常、取得したノイズ測定を画像領域におけるサンプリングの条件やガイドに利用する。
本研究では,線形逆問題に対する新しい連成流れモデルであるDual Flowを紹介し,クリーンな画像とそれに対応するノイズフリー測定を共同で推定する。
特に、デュアルフローは、画像と測定領域の結合フローを用いて、画像再構成とデノイングを結合推定問題として定式化する。
取得したノイズ測定は測定状態を初期化するためにのみ使用され、その後、現在の値に基づいて画像および測定状態を共同更新する。
構築により、下層の前方モデルを満たすため、最終的な画像および測定推定値が保証される。
我々は, 接合状態が与えられたクリーン画像の条件平均を含むジョイントフローのサンプリング更新を導出する。
さらに、結合状態の十分な統計量に対する閉形式式を導出し、演算子依存の相関雑音を含む画像領域のガウス分解問題を解くことにより、必要な条件平均が得られることを示す。
我々はこの定式化を用いて速度予測ネットワークを訓練し、導出した十分な統計量から条件平均を推定する。
様々な線形逆問題と画像データセットの広範な実験は、歪み測定と知覚品質の両方において最先端のパフォーマンスを示す。
デュアルフローは、推論ステップの数を超えるハイパーパラメータチューニングを必要とせず、競合する手法よりも短い再構成時間を実現する。
モデルミスマッチに対するロバスト性および多種多様な可視的再構成を生成し、復元の不確実性を特徴づける能力について、さらなる分析を行った。
関連論文リスト
- FlowFPR: Flow Matching Prior for Oversampled Fourier Phase Retrieval [2.1364436387684855]
FlowFPRは、事前訓練されたフローマッチングと緩和された平均的な交互反射を統合し、オーバーサンプリングされたフーリエ位相を検索する。
プロセスはフローネットワークを通じて測定エラーのバックプロパゲーションを必要としない。
共通接地トラス支援多重再起動評価プロトコルによる自然面画像実験により, 関節変種が最適平均品質を達成することを示す。
論文 参考訳(メタデータ) (2026-10-30T08:41:07Z) - SNaP: One-Step Posterior Sampling for Noisy Inverse Problems [8.966524060251965]
SNaPはガウス雑音を伴う線形逆問題に対する1ステップのMeanFlow後方サンプリング器である。
多様な高品質なサンプルを生成し、1ドローあたり1つのネットワーク評価を行い、反復的なサンプルよりも30~2250ドル速くなる。
論文 参考訳(メタデータ) (2026-09-28T01:02:55Z) - Flow Mismatching: Unsupervised Anomaly Detection via Velocity Discrepancies in Flow Matching Models [4.861045498353029]
再建に基づくパラダイムを意図的に回避する、教師なしの異常検出方法。
我々は、フローマッチングを幾何学力学として扱い、重要な洞察を利用する: 学習された正規フローがテスト画像への幾何学的経路と矛盾する場所で異常が発生する。
論文 参考訳(メタデータ) (2026-05-21T22:01:31Z) - Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。
提案手法は問題に依存しず,様々な逆問題に容易に適応できる。
このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
論文 参考訳(メタデータ) (2025-07-22T19:35:14Z) - 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) - FlowDPS: Flow-Driven Posterior Sampling for Inverse Problems [51.99765487172328]
逆問題解決のための後部サンプリングは,フローを用いて効果的に行うことができる。
Flow-Driven Posterior Smpling (FlowDPS) は最先端の代替手段よりも優れています。
論文 参考訳(メタデータ) (2025-03-11T07:56:14Z) - Fast constrained sampling in pre-trained diffusion models [80.99262780028015]
任意の制約下で高速で高品質な生成を可能にするアルゴリズムを提案する。
我々の手法は、最先端のトレーニングフリー推論手法に匹敵するか、超越した結果をもたらす。
論文 参考訳(メタデータ) (2024-10-24T14:52:38Z) - Bayesian Conditioned Diffusion Models for Inverse Problems [11.67269909384503]
拡散モデルは、前方測定演算子に基づく逆問題を含む多くの画像再構成タスクにおいて優れている。
本稿では,所望の画像の条件分布に関連付けられたスコア関数に基づく拡散モデルBCDMのための新しいベイズ条件付け手法を提案する。
提案手法を用いて,画像処理,デブロアリング,超高解像度化,及びインペイントにおける最先端性能を示す。
論文 参考訳(メタデータ) (2024-06-14T07:13:03Z) - MOSAIC: Masked Optimisation with Selective Attention for Image
Reconstruction [0.5541644538483947]
本研究では,無作為な計測値の選択を考慮に入れた画像再構成のための新しい圧縮センシングフレームワークを提案する。
MOSAICは、エンコードされた一連の測定に注意機構を効率的に適用するために埋め込み技術を採用している。
既存のCS再建手法の代替として,提案するアーキテクチャを検証した。
論文 参考訳(メタデータ) (2023-06-01T17:05:02Z) - 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。