論文の概要: FLINT: Coupling Proximal Initialization and Bounded Stochasticity for Flow-Matching Inverse Problems

• arxiv url: http://arxiv.org/abs/2611.05945v1
• Date: Wed, 04 Nov 2026 04:36:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.944015
• Title: FLINT: Coupling Proximal Initialization and Bounded Stochasticity for Flow-Matching Inverse Problems
• Title（参考訳）: FLINT:フローマッチング逆問題に対する近位初期化と境界確率の結合
• Abstract要約: フローマッチングモデルが画像問題における生成後サンプリングの主要なパラダイムとして浮上している。 フローマッチング手法が本質的に結合されていることを示す。 この結合を運用する2段階のフレームワークであるFLINTを紹介します。
• 参考スコア（独自算出の注目度）: 23.445387027169673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flow matching models have emerged as a dominant paradigm for generative posterior sampling in imaging inverse problems. Existing solvers follow two distinct lines of work: trajectory-space methods, which refine sampling dynamics from random initial noise, and source-space methods, which optimize the initial noise itself. While most prior work treats these as independent design choices, we show that they are inherently coupled. We derive a unified stability bound that links initialization proximity and cumulative sampling stochasticity through a multiplicative envelope, complemented by two empirical observations. First, we identify a sufficiency regime in which a moderately optimized proximal source initialization is enough to attain the performance plateau, rendering exhaustive source-space optimization unnecessary. Second, this initial advantage is fragile: it is eroded by excessive stochasticity accumulation during guided sampling, necessitating a mechanism that bounds the cumulative noise injection. These findings motivate FLINT, a two-stage framework that operationalizes this coupling. FLINT establishes a high-fidelity starting point via a manifold-constrained proximal objective in only a few iterations, then performs guided sampling under a bounded stochasticity schedule that helps prevent erasure of the initialization advantage. Across diverse inverse problems, FLINT delivers state of the art perceptual quality and competitive distortion metrics while maintaining superior computational efficiency.
• Abstract（参考訳）: 画像逆問題における生成後サンプリングの主流パラダイムとして,フローマッチングモデルが登場している。 既存の解法は、ランダムな初期ノイズからサンプリングダイナミックスを洗練するトラジェクトリ空間法と、初期ノイズ自体を最適化するソース空間法という2つの異なる作業行に従っている。 これまでのほとんどの作業では、これらを独立した設計選択として扱うが、それらが本質的に結合していることが示される。 2つの経験的観測によって補完される乗算エンベロープを通して初期化近傍と累積サンプリング確率性を結合する統一的な安定性境界を導出する。 まず、適度に最適化された近位音源初期化が性能プラトーを達成するのに十分であるような十分条件を同定し、徹底的なソース空間最適化を不要にする。 第二に、この初期の利点は脆弱であり、誘導サンプリング中に過度な確率的蓄積によって侵食され、累積ノイズ注入を束縛するメカニズムを必要とする。 これらの発見は、この結合を運用する2段階のフレームワークであるFLINTを動機付けている。 FLINTは、数回の反復で多様体に制約された近位目的を通した高忠実な開始点を確立し、その後、有界確率スケジュールの下でガイド付きサンプリングを行い、初期化の利点の消去を防ぐ。 さまざまな逆問題に対して、FLINTは高度な計算効率を維持しながら、最先端の知覚的品質と競争的歪みのメトリクスを提供する。

関連論文リスト

• Scale-Consistent Posterior Dynamics for Diffusion Inverse Problems [16.685352002333225]
  事前訓練された拡散前の後方サンプリングは、一般に難易度成分を有する条件付きスコアによって管理される。 クリーン後部にターゲットが近づいた騒音条件付き経路が連続的なサロゲートSDEを生成することを示す。 FFHQ と ImageNet の100点評価実験により,超解像および分解能の競争再現性を示す。
  論文  参考訳（メタデータ） (2026-08-15T09:38:41Z)
• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Efficient Adjoint Matching for Fine-tuning Diffusion Models [47.05085426361986]
  本研究では,テキストベースドリフトとテキスト端末コストでSOC問題を修正し,トレーニング効率を大幅に向上するEMAを提案する。 EAMはAMよりも最大4倍早く収束し、PickScore、ImageReward、HPSv2.1、CLIPScore、Aestheticsなど様々なメトリクスにマッチするか、超える。
  論文  参考訳（メタデータ） (2026-05-12T03:55:12Z)
• Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
  科学と工学において、ゴールは、ある画像のモダリティを記述する既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。 モチベートされたスコアベース拡散モデルはその経験的成功により、画像再構成に先立って模範の印象的な候補として現れた。
  論文  参考訳（メタデータ） (2024-03-25T15:58:26Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Stochastic Optimization with Heavy-Tailed Noise via Accelerated Gradient Clipping [69.9674326582747]
  そこで本研究では,重み付き分散雑音を用いたスムーズな凸最適化のための,クリップ付きSSTMと呼ばれる新しい1次高速化手法を提案する。 この場合、最先端の結果を上回る新たな複雑さが証明される。 本研究は,SGDにおいて,ノイズに対する光細かな仮定を伴わずにクリッピングを施した最初の非自明な高確率複雑性境界を導出した。
  論文  参考訳（メタデータ） (2020-05-21T17:05:27Z)

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。