Amélioration de la résolution du problème inverse de diffusion avec le recuit désolidarisé

Les modèles de diffusion ont récemment réussi à résoudre des problèmes inverses bayésiens avec des priors de données appris. Les méthodes actuelles s'appuient sur le processus d'échantillonnage de diffusion, où chaque étape de débruitage apporte de petites modifications aux échantillons de l'étape précédente. Cependant, ce processus peine à corriger les erreurs des étapes d'échantillonnage antérieures, entraînant des performances médiocres dans des problèmes inverses non linéaires compliqués, tels que la récupération de phase. Pour relever ce défi, nous proposons une nouvelle méthode appelée échantillonnage postérieur avec recuit désolidarisé (DAPS) qui repose sur un nouveau processus de recuit de bruit. Plus précisément, nous désolidarisons les étapes consécutives dans une trajectoire d'échantillonnage de diffusion, leur permettant de varier considérablement les unes des autres tout en veillant à ce que leurs marginales temporelles se rapprochent du véritable postérieur à mesure que nous réduisons les niveaux de bruit. Cette approche permet d'explorer un espace de solutions plus large, améliorant le taux de réussite pour des reconstructions précises. Nous démontrons que DAPS améliore considérablement la qualité et la stabilité des échantillons dans plusieurs tâches de restauration d'images, notamment dans des problèmes inverses non linéaires compliqués. Par exemple, nous atteignons un PSNR de 30,72 dB sur le jeu de données FFHQ 256 pour la récupération de phase, ce qui représente une amélioration de 9,12 dB par rapport aux méthodes existantes.