כתבה
arXiv cs.LG ·
החלפת MCMC בדיפוזיה של פוסטריור Split-Gibbs
Learning to Replace MCMC in Split-Gibbs Diffusion Posterior Sampling via Deep Unfolding
פותחים מסגרת לימודית להחליף את MCMC בדיפוזיה של פוסטריור Split-Gibbs. השיטה משתמשת ברשתות עמוקות כדי לייעל את תהליך הדגימה. הניסויים מראים יעילות בהשוואה לשיטות MCMC.
תקציר מקורי באנגליתarXiv:2609.30539v1 Announce Type: cross Abstract: Split Gibbs sampling enables diffusion posterior inference for general nonlinear inverse problems by decoupling prior and likelihood computations, allowing a pretrained diffusion prior to be reused across measurement models. However, its likelihood update often relies on iterative MCMC, which can hinder parallelization, require algorithm-specific tuning, and incur substantial computational cost. In this work, we propose a learning-based framework to replace this MCMC step by reformulating both Gibbs updates as Gaussian denoising problems and implementing them through ODE diffusion. The prior step reuses a pretrained denoiser, while the likelihood denoiser exploits known likelihood structure through a lightweight deep-unfolded network. Exper
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית