Fast Diffusion EM: a diffusion model for blind inverse problems with application to deconvolution

要約

逆問題を解くために拡散モデルを使用することは、研究の成長分野である。現在の手法は、劣化が既知であることを前提とし、復元品質と多様性の点で印象的な結果を提供する。本研究では、これらのモデルの効率性を利用して、復元画像と、ぼかしカーネルのような劣化モデルの未知のパラメータを共同で推定する。特に、よく知られた期待値最小化（EM）推定法と拡散モデルに基づくアルゴリズムを設計した。我々の手法は、拡散モデルから抽出したサンプルを用いて逆問題の期待対数尤度を近似するステップと、未知のモデルパラメータを推定するための最大化ステップを交互に行う。最大化ステップのために、Plug(登録商標)とPlay(登録商標)のノイズ除去器に基づく新しいぼかしカーネル正則化も導入する。拡散モデルは実行時間が長いので、我々のアルゴリズムの高速版を提供する。ブラインド画像デブラーリングに関する広範な実験により、他の最先端アプローチと比較して、本手法の有効性を実証する。

要約(オリジナル)

Using diffusion models to solve inverse problems is a growing field of research. Current methods assume the degradation to be known and provide impressive results in terms of restoration quality and diversity. In this work, we leverage the efficiency of those models to jointly estimate the restored image and unknown parameters of the degradation model such as blur kernel. In particular, we designed an algorithm based on the well-known Expectation-Minimization (EM) estimation method and diffusion models. Our method alternates between approximating the expected log-likelihood of the inverse problem using samples drawn from a diffusion model and a maximization step to estimate unknown model parameters. For the maximization step, we also introduce a novel blur kernel regularization based on a Plug \& Play denoiser. Diffusion models are long to run, thus we provide a fast version of our algorithm. Extensive experiments on blind image deblurring demonstrate the effectiveness of our method when compared to other state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL