Conditional Variational Diffusion Models

要約

逆問題は、観察からパラメータを決定することを目的とし、工学および科学における重要なタスクです。
最近、生成モデル、特に拡散モデルが、現実的な解決策を生成する能力と優れた数学的特性により、この分野で人気を集めています。
成功にもかかわらず、拡散モデルの重要な欠点は、拡散プロセスのダイナミクスを制御する分散スケジュールの選択に敏感であることです。
特定のアプリケーションに合わせてこのスケジュールを微調整することは非常に重要ですが、時間のコストがかかり、最適な結果が保証されるわけではありません。
私たちは、トレーニングプロセスの一環としてスケジュールを学習するための新しいアプローチを提案します。
私たちの方法は、データの確率的条件付けをサポートし、高品質のソリューションを提供し、柔軟性があり、最小限のオーバーヘッドでさまざまなアプリケーションに適応できることが証明されています。
このアプローチは、超解像顕微鏡法と定量的位相イメージングという 2 つの無関係な逆問題でテストされ、以前の方法および微調整された拡散モデルと同等またはそれ以上の結果が得られます。
より良い結果をもたらす安定した方法でトレーニング中に学習できるため、実験によるスケジュールの微調整は避けるべきであると結論付けています。

要約(オリジナル)

Inverse problems aim to determine parameters from observations, a crucial task in engineering and science. Lately, generative models, especially diffusion models, have gained popularity in this area for their ability to produce realistic solutions and their good mathematical properties. Despite their success, an important drawback of diffusion models is their sensitivity to the choice of variance schedule, which controls the dynamics of the diffusion process. Fine-tuning this schedule for specific applications is crucial but time-costly and does not guarantee an optimal result. We propose a novel approach for learning the schedule as part of the training process. Our method supports probabilistic conditioning on data, provides high-quality solutions, and is flexible, proving able to adapt to different applications with minimum overhead. This approach is tested in two unrelated inverse problems: super-resolution microscopy and quantitative phase imaging, yielding comparable or superior results to previous methods and fine-tuned diffusion models. We conclude that fine-tuning the schedule by experimentation should be avoided because it can be learned during training in a stable way that yields better results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google