Score-Based Diffusion Models as Principled Priors for Inverse Imaging

要約

タイトル：スコアベース拡散モデルは正確でない測定から再構築された画像の合理的な事前分布となりうる

要約：
– コンピュータビジョン分野においては、不完全な測定から再構築された画像の不確実性を理解することが重要です。
– 本論文では、スコアベース拡散モデルを原理に基づいた事前分布（「スコアベース事前分布」）に変換することを提案しています。
– 以前には、確率論的な事前分布は手作業で設定された正則化項や単純な分布に限定されていました。
– 本研究では、スコアベース拡散モデルの理論的に証明された確率密度関数の実証を行っています。
– この確率密度関数に基づいて変分推論を行うことで、結果的に得られる事後分布からサンプリングする方法を示しています。
– ノイズ低減、ぼやけ除去、干渉画像の実験を含めた結果は、スコアベース事前分布が洗練されたデータ駆動型の画像事前分布を用いた原理的な推論を可能にすることを示唆しています。

要約(オリジナル)

It is important in computational imaging to understand the uncertainty of images reconstructed from imperfect measurements. We propose turning score-based diffusion models into principled priors (“score-based priors”) for analyzing a posterior of images given measurements. Previously, probabilistic priors were limited to handcrafted regularizers and simple distributions. In this work, we empirically validate the theoretically-proven probability function of a score-based diffusion model. We show how to sample from resulting posteriors by using this probability function for variational inference. Our results, including experiments on denoising, deblurring, and interferometric imaging, suggest that score-based priors enable principled inference with a sophisticated, data-driven image prior.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI