Score-Based Manifold Projection for Diffusion-Based Inverse Problems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Inverse problems such as inpainting, deblurring, and super-resolution benefit significantly from generative diffusion models, which serve as powerful learned priors. However, incorporating measurement-consistency gradients naively can push the intermediate solutions off the high-likelihood manifold encoded by the diffusion model, leading to artifacts or suboptimal reconstructions. In this paper, we propose a scorebased manifold projection framework that leverages the internal score function of the diffusion model itself to preserve manifold fidelity. Specifically, we exploit the fact that the diffusion score <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\boldsymbol{s}_{\theta}(\boldsymbol{x}, t) \approx \nabla_{\boldsymbol{x}} \log p_{t}(\boldsymbol{x})$</tex> is ideally orthogonal to manifolds of constant log-likelihood at time <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$t$</tex>. By removing the component of the measurement gradient parallel to <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\boldsymbol{s}_{\theta}$</tex>, our method constrains each update to remain (to first order) tangent to the learned data manifold. Theoretically, we prove that our approach preserves proximity to the manifold more effectively than an un-projected update, and empirically, we demonstrate improved robustness and quality on various inverse problems, including deblurring, inpainting, and super-resolution. Our results show that scorebased manifold projection not only reduces artifacts but also maintains the fidelity of the reconstructions, offering a simple yet effective enhancement to measurement-guided diffusion solvers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle