フローベースモデルを用いた逆問題の解法におけるトラジェクトリ・スチッチング

arXiv:2602.08538v1 Announce Type: cross 要約: フローベース生成モデルは、逆問題の解法において強力な事前分布として登場しました。その一つの方法として、フローの出力が逆問題を解くように初期の latent code（ノイズ）を直接最適化することは考えられますが、これには生成トラジェクトリ全体を backpropagate することになり、メモリコストが高く数値不安定性を招くという問題があります。我々は、MS-Flow を提案しました。MS-Flow では、トラジェクトリを単一の初期 code ではなく、一連の中間 latent states として表現します。ローカルにフローダイナミクスを強制し、セグメントをトラジェクトリ・マッチングペナルティを通じて結合することで、MS-Flow は中間 latent states を更新し、観測データとの整合性を強制する交代を行うようになります。これによりメモリ消費を削減し、再現性の質も向上しました。我々は、MS-Flow を画像復元と逆問題、包括的にパッチ処理、スーパーレゾリューション、計算層視覚化において既存の方法と比較して実効性を示しました。

arXiv:2602.08538v1 Announce Type: cross Abstract: Flow-based generative models have emerged as powerful priors for solving inverse problems. One option is to directly optimize the initial latent code (noise), such that the flow output solves the inverse problem. However, this requires backpropagating through the entire generative trajectory, incurring high memory costs and numerical instability. We propose MS-Flow, which represents the trajectory as a sequence of intermediate latent states rather than a single initial code. By enforcing the flow dynamics locally and coupling segments through trajectory-matching penalties, MS-Flow alternates between updating intermediate latent states and enforcing consistency with observed data. This reduces memory consumption while improving reconstruction quality. We demonstrate the effectiveness of MS-Flow over existing methods on image recovery and inverse problems, including inpainting, super-resolution, and computed tomography.