확산 사전 기반 암모르티제이션 변분 추론을 이용한 노이즈가 있는 역 문제 해결

최근의 역 문제 연구에서는 사전 학습된 확산 모델을 강력한 사전 정보로 활용하는 후방 분포 샘플러를 제안하였습니다. 이러한 시도들은 확산 모델이 다양한 역 문제에 사용될 수 있는 길을 열었습니다. 그러나 기존 방법들은 계산적으로 부담스러운 반복 샘플링 절차를 필요로 하며, 각 측정값마다 별도의 솔루션을 최적화하므로, 이는 스케일 확장성의 한계와 미확인 샘플에 대한 일반화 능력 부족으로 이어집니다. 이러한 제한점을 해결하기 위해, 우리는 확산 사전 정보를 기반으로 하는 암모르티제이션 변분 추론(Diffusion prior-based Amortized Variational Inference, DAVI)이라는 새로운 접근법을 제안합니다. 특히, 우리의 암모르티제이션 추론은 측정값별로 별도의 최적화를 수행하는 대신, 측정값을 해당 깨끗한 데이터의 암시적인 후방 분포로 직접 매핑하는 함수를 학습합니다. 이를 통해 미확인 측정값에서도 단일 단계로 후방 분포 샘플링이 가능해집니다. 두 벤치마크 데이터셋에서 수행된 이미지 복원 작업(예: 가우시안 블러 제거, 4배 초해상화, 박스 인페인팅)에 대한 광범위한 실험 결과가 우리의 접근법이 강력한 기준 모델들보다 우수한 성능을 보임을 입증하였습니다. 코드는 https://github.com/mlvlab/DAVI에서 제공됩니다.