Taming Score-Based Denoisers in ADMM: A Convergent Plug-and-Play Framework

작성자

Haebom

카테고리

Empty

저자

Rajesh Shrestha, Xiao Fu

💡 개요

본 논문은 역문제 해결을 위한 강력한 사전 정보로 부상한 score-based 생성 모델을 ADMM과 같은 최적화 알고리즘에 직접 통합하는 데 발생하는 두 가지 주요 문제점, 즉 학습 데이터 매니폴드와 ADMM 반복 간의 불일치 및 수렴성 부족을 해결합니다. 이를 위해 제안된 ADMM-PnP 프레임워크는 3단계(자동 보정, 방향 보정, score-based 디노이징)의 AC-DC 디노이저를 ADMM에 내장하여 매니폴드 불일치 문제를 해결합니다.

🔑 시사점 및 한계

•

제안된 ADMM-PnP 프레임워크와 AC-DC 디노이저는 score-based 생성 모델을 ADMM과 통합하는 기존의 어려움을 효과적으로 극복합니다.

•

본 논문은 적절한 디노이저 매개변수 하에서 ADMM 반복이 약하게 비확장 연산자임을 증명하여 고정점 볼 수렴(ball convergence)을 보장하며, 더 완화된 조건에서는 적응형 스텝 크기 스케줄 하에서의 수렴성을 제시합니다.

•

실험 결과는 제안된 방법이 다양한 역문제에서 기존 방법 대비 일관되게 우수한 해결 품질을 보여줍니다.

•

향후 과제로는 더 광범위한 score-based 모델 및 최적화 알고리즘에 대한 프레임워크의 일반화 가능성을 탐색하는 것입니다.

PDF 보기

Made with Slashpage