Diffusion State-Guided Projected Gradient for Inverse Problems
Created by
- Haebom
Category
Empty
저자
Rayhan Zirvi, Bahareh Tolooshams, Anima Anandkumar
개요
본 논문은 역문제 해결을 위한 확산 모델의 성능 향상에 초점을 맞추고 있습니다. 기존의 확산 모델 기반 역문제 해결 방법은 측정 가능도가 다루기 어렵기 때문에 근사치를 사용하여 후방 샘플링을 수행하며, 이로 인해 데이터 다양체 상에서 생성 과정이 제대로 유지되지 않고 인공물이 발생하는 문제가 있습니다. 이를 해결하기 위해, 본 논문에서는 확산 과정의 중간 상태를 저차원 근사한 부분 공간에 측정 그래디언트를 투영하는 Diffusion State-Guided Projected Gradient (DiffStateGrad) 방법을 제안합니다. DiffStateGrad는 다양한 확산 모델 기반 역문제 해결기에 모듈 형태로 추가되어, 확산 과정을 데이터 다양체 상에서 더 잘 유지하고 인공물을 유발하는 요소들을 제거하는 역할을 합니다. 실험 결과, DiffStateGrad는 측정 지침 단계 크기 및 노이즈 선택에 대한 확산 모델의 강건성을 향상시키고 최악의 성능을 개선하며, 선형 및 비선형 영상 복원 역문제에서 최첨단 성능을 보임을 보여줍니다. 소스 코드는 GitHub에서 공개됩니다.
시사점, 한계점
•
시사점:
◦
역문제 해결을 위한 확산 모델의 강건성과 성능을 향상시키는 새로운 방법(DiffStateGrad) 제시.
◦
측정 지침 단계 크기 및 노이즈 선택에 대한 민감도 감소.
◦
최악의 성능 개선 및 선형 및 비선형 영상 복원 문제에서 SOTA 성능 달성.
◦
모듈 형태로 구현되어 다양한 확산 모델 기반 역문제 해결기에 적용 가능.
•
한계점:
◦
DiffStateGrad의 저차원 근사 과정에서 정보 손실 가능성.
◦
특정 유형의 역문제에 대한 일반화 성능 검증 필요.
◦
계산 비용 증가 가능성.
