贝叶斯线性反问题的蒙特卡洛引导扩散
本文提出了将基于分数的扩散模型转化为原则性先验(``基于分数的先验')来分析给定测量的后验图像的方法。实验结果表明,基于分数的先验使得数据驱动图像先验的归纳推理变得更加精细。
Apr, 2023
我们提出了一种替代函数,用于有效地利用基于分数的先验对贝叶斯逆向成像进行建模。我们的替代先验在变分推断中对大型图像进行了高效的近似后验采样,并且相比先前方法的精确先验,至少将变分图像分布优化的速度加快了两个数量级。我们还发现,我们的方法在推理中实现了比涉及超参数调整的非贝叶斯基线更高保真度的图像。我们的研究为将基于分数的扩散模型作为成像的通用先验提供了实用的途径。
Sep, 2023
本研究提出了一种算法框架,用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法(DPnP),交替调用两个采样器,一个仅基于前向模型的似然函数的邻近一致性采样器,另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了DPnP在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证,并通过数值实验证明了其潜力。
Mar, 2024
评分扩散模型(SDM)提供了一种灵活的方法,用于在各种贝叶斯反问题中从后验分布中采样。本文针对线性反问题,证明了完全绕过前向映射评估,在后验样本生成中将计算任务转移到训练特定扩散式随机过程分数的离线任务上的可行性。情况下的得分,通过适当的仿射变换,可以从辅助得分得到。通过数值分析和实验验证了这一观察的普遍性。
May, 2024
在这项研究中,我们介绍了一种能够在函数空间中解决贝叶斯逆问题的抽样方法,它不需要似然函数的对数凹性,可以用于非线性逆问题。该方法利用了最近定义的无限维度基于得分的扩散模型作为基于学习的先验,并通过在函数空间上定义的Langevin类型的MCMC算法实现可证明的后验采样。我们进行了一项新颖的收敛性分析,受传统正则化-去噪算法中建立的不动点方法的启发,并与加权模拟退火兼容。所得到的收敛界明确依赖于得分的逼近误差;良好逼近的得分对于获得良好逼近的后验至关重要。我们提供了基于样式和基于PDE的示例,证明了我们的收敛性分析的有效性。最后,我们讨论了学习得分和计算复杂性方面的挑战。
May, 2024
扩散模型在图像重建中表现出优异的性能,提出了一种基于贝叶斯条件技术的扩散模型,通过条件得分函数来解决图像重建中出现的挑战性逆问题,并在图像去混叠、去模糊、超分辨率和修复中展现出最新技术的性能。
Jun, 2024
本研究针对现有扩散模型在高噪声水平下逆问题求解中的表现不足,提出了一种创新的方法——扩散后验MCMC(DPMC),旨在通过退火MCMC算法提高求解精度。实验表明,该方法在多个逆问题上,如超分辨率和运动去模糊,表现优于传统的扩散后验抽样(DPS),且评估次数更少,显示出了更优的效率。
Sep, 2024
本研究解决了生成扩散模型在贝叶斯逆问题中计算成本高昂的问题。论文提出了一种多层次蒙特卡罗策略,该策略通过利用扩散模型的成本-精度权衡,显著降低了计算成本而不影响最终精度。实验结果表明,在处理计算成像等大规模逆问题时,该方法的计算成本降低了4到8倍。
Sep, 2024
本研究解决了扩散模型在逆问题应用中的信息不足,提供了无监督先验的有效性综述。通过对现有方法的分类和比较,揭示了不同技术之间的联系,并讨论了使用潜在扩散模型面临的挑战与解决方案。这项工作为扩散模型与逆问题的结合提供了宝贵的参考资源。
Sep, 2024