拡散事前分布に基づくノイジー逆問題のアモルティゼーション変分推論

最近の逆問題に関する研究では、事前学習された拡散モデルを強力な事前分布として活用するポスタリアサンプラーが提案されています。これらの試みは、拡散モデルを様々な逆問題に応用する道を開きました。しかし、既存の方法は計算量の多い反復サンプリング手順を必要とし、各測定に対して個別の解を最適化しなければならないため、スケーラビリティが制限され、未知のサンプルに対する汎化能力に欠けるという課題があります。これらの課題を解決するために、我々は新しい手法である「拡散事前分布に基づくアモルタイズ変分推論（DAVI）」を提案します。この手法は、アモルタイズ変分推論の観点から逆問題を解くために拡散事前分布を利用します。具体的には、測定ごとの個別最適化ではなく、アモルタイズ推論によって測定値から対応するクリーンデータの暗黙的なポスタリオ分布へ直接マッピングする関数を学習します。これにより、未知の測定値であっても一歩でポスタリオサンプリングを行うことが可能になります。画像修復タスクにおける広範な実験（例：ガウシアンデブラー、4倍スーパーレゾリューション、ボックスインペイント）において、2つのベンチマークデータセットを使用して行われた結果は、当手法が強力なベースラインに対して優れた性能を示していることを証明しています。コードは https://github.com/mlvlab/DAVI で公開されています。