Exploiting the Exact Denoising Posterior Score in Training-Free Guidance of Diffusion Models

要約

拡散モデルの成功は、画像の修復やその他の逆問題を解決するための除去プロセスのトレーニングなしのガイダンスを介して条件付きサンプリングを実行することに関心を示しています。
拡散後のサンプリング（DPS）に基づく人気のあるクラスのメソッドは、扱いにくい後部スコア関数を直接近似しようとします。
この作業では、無条件のスコア関数の観点から扱いやすい純粋に除去されるタスクのための正確な後部スコアの新しい表現を提示します。
この結果を活用して、タスクを除去するためのDPSスコアの時間依存エラーを分析し、各タイムステップでのエラーを最小限に抑えるためにステップサイズを計算します。
これらのステップサイズは、色付け、ランダムの開始、スーパー解像度などの関連する逆問題に移行できることを実証します。
その単純さにもかかわらず、このアプローチは最先端のテクニックと競争力があり、DPSよりも少ない時間ステップでサンプリングを可能にします。

要約(オリジナル)

The success of diffusion models has driven interest in performing conditional sampling via training-free guidance of the denoising process to solve image restoration and other inverse problems. A popular class of methods, based on Diffusion Posterior Sampling (DPS), attempts to approximate the intractable posterior score function directly. In this work, we present a novel expression for the exact posterior score for purely denoising tasks that is tractable in terms of the unconditional score function. We leverage this result to analyze the time-dependent error in the DPS score for denoising tasks and compute step sizes on the fly to minimize the error at each time step. We demonstrate that these step sizes are transferable to related inverse problems such as colorization, random inpainting, and super resolution. Despite its simplicity, this approach is competitive with state-of-the-art techniques and enables sampling with fewer time steps than DPS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google