כתבה
arXiv cs.LG ·
Kinetic Langevin Meets Split Gibbs: תרגום: סיימפלינג פוסטריורי מאומן לבעיות הפיכה של תמונות עם פריורי דיפוזיה
Kinetic Langevin Meets Split Gibbs: Accelerated Posterior Sampling for Imaging Inverse Problems with Diffusion Priors
סיימפלינג פוסטריורי מאומן לבעיות הפיכה של תמונות עם פריורי דיפוזיה. המחקר מציג שיטה חדשה שמאפשרת סיימפלינג מהיר יותר ואיכות גבוהה יותר של תמונות.
תקציר מקורי באנגליתarXiv:2610.10187v1 Announce Type: cross Abstract: Split Gibbs sampling (SGS) is a popular framework for posterior sampling in Bayesian imaging inverse problems. It decouples a Gaussian data-fidelity term from a complex prior through an auxiliary variable, so the data variable is updated exactly and only the prior-side conditional is hard to sample. Existing samplers treat this conditional in one of two ways. Plug-and-play SGS runs a multi-step diffusion denoiser at every iteration, which is expensive and lacks non-asymptotic guarantees. Langevin-within-SGS takes cheap overdamped Langevin steps but needs many iterations. We propose RED-KLwSGS, which keeps the exact Gaussian update for the data variable and updates the auxiliary variable with underdamped (kinetic) Langevin diffusions driven
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית