Unsupervised Imaging Inverse Problems with Diffusion Distribution Matching

要約

この作業では、対応のないデータセットを使用して、逆の問題のレンズを介した画像修復タスクに対処します。
従来のアプローチとは対照的に – 通常、順方向モデルに関する完全な知識またはペアの劣化した地下の真実画像へのアクセスを想定していますが、提案された方法は最小限の仮定の下で動作し、小規模な対応のないデータセットにのみ依存しています。
これにより、実際のシナリオに特に適しています。実際のシナリオでは、フォワードモデルが不明または誤解されていることが多く、ペアのデータを収集することは費用または実行不可能です。
このメソッドは、劣化した観測の分布をモデル化するために条件付きフローマッチングを活用し、同時にフレームワークから自然に生じる分布マッチング損失を介してフォワードモデルを学習します。
経験的に、それは、脱硫酸塩および不均一な点スプレッド関数（PSF）のキャリブレーションタスクに関する単象ルと監視なしのアプローチの両方よりも優れています。
また、ブラインドスーパー解像度の最先端のパフォーマンスも一致しています。
また、レンズのキャリブレーションのための概念実証を使用して、方法の有効性を紹介します。これは、従来、時間のかかる実験と特殊な機器を必要とする現実世界のアプリケーションです。
対照的に、私たちのアプローチは、最小限のデータ収集の取り組みでこれを達成します。

要約(オリジナル)

This work addresses image restoration tasks through the lens of inverse problems using unpaired datasets. In contrast to traditional approaches — which typically assume full knowledge of the forward model or access to paired degraded and ground-truth images — the proposed method operates under minimal assumptions and relies only on small, unpaired datasets. This makes it particularly well-suited for real-world scenarios, where the forward model is often unknown or misspecified, and collecting paired data is costly or infeasible. The method leverages conditional flow matching to model the distribution of degraded observations, while simultaneously learning the forward model via a distribution-matching loss that arises naturally from the framework. Empirically, it outperforms both single-image blind and unsupervised approaches on deblurring and non-uniform point spread function (PSF) calibration tasks. It also matches state-of-the-art performance on blind super-resolution. We also showcase the effectiveness of our method with a proof of concept for lens calibration: a real-world application traditionally requiring time-consuming experiments and specialized equipment. In contrast, our approach achieves this with minimal data acquisition effort.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google