Measurement-aligned Flow for Inverse Problem

要約

拡散モデルは、逆の問題を解決するための複雑な事前情報を組み込む強力な方法を提供します。
ただし、既存の方法は、特に非ガウスまたは未知のノイズの挑戦的な設定で、事前および測定における矛盾する信号からのガイダンスを正しく組み込むのに苦労しています。
これらのギャップを橋渡しするために、測定に合わせたサンプリング（MAS）を提案します。これは、以前の情報と測定情報のバランスをより柔軟にバランスさせることができる線形逆問題解決のための新しいフレームワークです。
MASは、DDNMやDAPSなどの既存のアプローチを統合して拡張し、新しい最適化の観点を提供します。
MASは、既知のガウスノイズ、不明または非ガウスノイズタイプを処理するために一般化できます。
広範な実験は、MASが一貫してさまざまなタスクで最新の方法を上回ることを示しています。

要約(オリジナル)

Diffusion models provide a powerful way to incorporate complex prior information for solving inverse problems. However, existing methods struggle to correctly incorporate guidance from conflicting signals in the prior and measurement, especially in the challenging setting of non-Gaussian or unknown noise. To bridge these gaps, we propose Measurement-Aligned Sampling (MAS), a novel framework for linear inverse problem solving that can more flexibly balance prior and measurement information. MAS unifies and extends existing approaches like DDNM and DAPS, and offers a new optimization perspective. MAS can generalize to handle known Gaussian noise, unknown or non-Gaussian noise types. Extensive experiments show that MAS consistently outperforms state-of-the-art methods across a range of tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google