Reasons for the Superiority of Stochastic Estimators over Deterministic Ones: Robustness, Consistency and Perceptual Quality

要約

確率的復元アルゴリズムにより、劣化した入力に対応する解の空間を探索できます。
この論文では、決定論的な方法に対する確率的方法の追加の基本的な利点を明らかにし、それらの使用をさらに動機付けます。
まず、完全な知覚品質を達成し、その出力が入力と一致する復元アルゴリズムは事後サンプラーでなければならず、したがって確率的である必要があることを証明します。
第二に、決定論的復元アルゴリズムは高い知覚品質を達成する可能性がありますが、これは非常に機密性の高いマッピングを使用してすべての可能なソース画像のスペースを埋めることによってのみ達成できるため、敵対的な攻撃に対して非常に脆弱になることを示しています。
実際、決定論的モデルをそのような攻撃に対してロバストにすることは、その知覚的品質を大きく妨げますが、確率論的モデルをロバスト化することは、その知覚的品質にほとんど影響を与えず、出力の変動性を改善することを示しています。
これらの調査結果は、確率的復元方法の進歩を促進する動機を提供し、より優れた復元アルゴリズムへの道を開きます。

要約(オリジナル)

Stochastic restoration algorithms allow to explore the space of solutions that correspond to the degraded input. In this paper we reveal additional fundamental advantages of stochastic methods over deterministic ones, which further motivate their use. First, we prove that any restoration algorithm that attains perfect perceptual quality and whose outputs are consistent with the input must be a posterior sampler, and is thus required to be stochastic. Second, we illustrate that while deterministic restoration algorithms may attain high perceptual quality, this can be achieved only by filling up the space of all possible source images using an extremely sensitive mapping, which makes them highly vulnerable to adversarial attacks. Indeed, we show that enforcing deterministic models to be robust to such attacks profoundly hinders their perceptual quality, while robustifying stochastic models hardly influences their perceptual quality, and improves their output variability. These findings provide a motivation to foster progress in stochastic restoration methods, paving the way to better recovery algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google