Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

G2D2: Gradient-Guided Discrete Diffusion for Inverse Problem Solving

Created by
  • Haebom

作者

村田直樹、チエ・ヒシン・ライ、田田勇太、東見上坂、バック・ングエン、ステファノ・エルモン、ユキ・ミツフジ

概要

本論文は、連続変数に基づいて学習された拡散モデルを逆問題解決のための事前分布として活用する最近の研究に基づいて、離散潜在コードを持つ離散拡散モデルを逆問題解決に適用する新しい方法を提示します。離散拡散モデルの非微分可能性と離散的な特性により、連続空間で定義された逆問題に適用することが困難であったことを、カテゴリー分布と連続緩和技術を用いた変分分布で真分布を近似することで解決します。さらに、吸収状態を有する既存の離散拡散モデルの欠点を軽減するために、星形ノイズプロセスを使用して、連続拡散技術と同様の性能をより低いGPUメモリ消費量で達成する。ソースコードはhttps://github.com/sony/g2d2で提供されています。

Takeaways、Limitations

Takeaways:
離散拡散モデルを連続空間の逆問題に適用できるようにすることで、画像やモーション生成など、離散圧縮表現に適したモダリティでの逆問題解決性能の向上に寄与。
連続拡散技術と比較して低GPUメモリ消費量で同様の性能を達成
星形雑音過程による離散拡散モデルの吸収状態の問題解決
Limitations:
提示された方法は線形逆問題に限定されている。非線形逆問題に対する拡張が必要
変分分布を用いた近似過程の精度のさらなる分析の必要性
さまざまな種類の逆問題とデータセットの実験的検証がさらに必要です。
👍