Jun, 2024

释放扩散先验的去噪能力以解决逆问题

PDF
TL;DR通过引入辅助优化变量，利用扩散过程重新定义嘈杂的反问题为受约束的双变量优化任务，该算法称为 ProjDiff，有效地利用了预训练扩散模型的先验信息和降噪能力。在各种线性和非线性反问题中，ProjDiff 在图像恢复任务、信源分离和部分生成任务方面展现出卓越的性能，凸显其在实际应用中的潜力。
发现论文，激发创造
  • 扩散模型求解逆问题的变分视角

    本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

    May, 2023

  • 扩散模型作为即插即用先验

    该论文探讨了在先验概率和一个基于 $x$ 和 $y$ 的不等式约束条件下利用高维数据推断潜在结果。通过使用一个独立训练的去噪扩散生成模型和不同的不等式约束，该方法能应用于各种不同领域的任务，例如条件生成、图像分割以及求解组合优化问题等。

    Jun, 2022

  • 扩散后验采样用于一般噪声反问题

    本文提出一种扩展扩散模型求解广泛的噪声非线性逆问题的方法，该方法利用后验采样实现扩散采样和流形约束梯度融合，并适用于各种噪声统计和非线性问题，代码公开。

    Sep, 2022

  • DDGM: 基于扩散去噪的梯度最小化求解反问题

    该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法，可以高精度地重建电子显微学的层析成像问题，结果表明相对于传统方法和更复杂的扩散方法，该方法具有更高的精度和更快的计算速度。

    Jul, 2023

  • 利用前向模型的扩散：无需直接监督解决随机逆问题

    本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

    Jun, 2023

  • 分治后验采样用于去噪扩散先验

    利用去噪扩散模型（DDM）作为先验来解决逆贝叶斯问题的兴趣最近显著增加。本研究采用不同方法，利用 DDM 先验的特定结构定义了一组中间和简化的后验采样问题，相比以前的方法，降低了近似误差。我们通过使用合成示例和各种图像恢复任务来经验性地展示了我们方法的重建能力。

    Mar, 2024

  • 基于扩散模型的原则性概率成像使用即插即用的先验

    采用扩散模型和马尔可夫链 - 蒙特卡洛算法解决反问题，通过降低到高斯去噪问题的后验采样，有效地实现了更准确的重建和后验估计。

    May, 2024

  • PriorGrad: 使用数据相关自适应先验提高条件降噪扩散模型的性能

    本文提出了 PriorGrad，通过基于条件信息的数据统计推导出自适应先验来提高条件扩散模型的效率，改进语音合成中基于谱和时间域的扩散生成模型，通过理论分析和实验验证，提高了效率和稳健性。

    Jun, 2021

  • 去噪扩散还原处理拉普拉斯算子的正向和反向问题

    基于扩散模型和物理原理，本研究提出了一种新的方法来解决偏微分方程的逆问题和正问题，通过利用去噪扩散恢复模型（DDRM）来恢复解和参数，从而显著改进了解和参数的估计。

    Feb, 2024

  • 利用最优后验协方差提高逆问题的扩散模型

    最新的扩散模型为嘈杂的线性反问题提供了一种无需为特定反问题重新训练的有希望的零样本解决方案。本文首次从条件抽样的逆扩散过程的条件后验均值的近似角度解释了现有的零照片方法。我们揭示了最新方法相当于对给定扩散嘈杂图像的干净图像的不可行后验分布进行各向同性高斯近似，唯一的不同在于各向同性后验协方差的手工设计。受此发现的启发，我们提出了一种基于最大似然估计的通用即插即用后验协方差优化方法，以改善最新方法。为了实现无需重新训练的最优后验协方差，我们提供了基于两种方法的通用解决方案，这两种方法专门设计用于利用具有和不具有逆协方差的预训练模型。实验结果表明，所提出的方法显著提高了最新方法的整体性能或对超参数的鲁棒性。可在此链接获取代码。

    Feb, 2024