Solving Inverse Problems using Diffusion with Fast Iterative Renoising

要約

イメージングの逆の問題は、事前に訓練された拡散モデルを使用して、教師なしで解決できます。
ほとんどの場合、逆プロセスで測定条件のスコア関数の勾配を近似することが含まれます。
既存の方法によって生成された近似は非常に貧弱であり、特に逆プロセスの初期段階では、拡散ステップごとに画像を数回再推定および刷新する新しいアプローチを提案します。
環状化は、訓練された方法に従って、訓練を受けた拡散モデルが白いガウスの誤差を見ることを保証する慎重に形状の色のノイズを追加します。
線形逆問題と位相検索に対する20、100、および1000の神経関数評価での「ddfire」方法の有効性を実証します。

要約(オリジナル)

Imaging inverse problems can be solved in an unsupervised manner using pre-trained diffusion models. In most cases, that involves approximating the gradient of the measurement-conditional score function in the reverse process. Since the approximations produced by existing methods are quite poor, especially early in the reverse process, we propose a new approach that re-estimates and renoises the image several times per diffusion step. Renoising adds carefully shaped colored noise that ensures the pre-trained diffusion model sees white-Gaussian error, in accordance with how it was trained. We demonstrate the effectiveness of our ‘DDfire’ method at 20, 100, and 1000 neural function evaluations on linear inverse problems and phase retrieval.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google