역문제 해결을 위한 확산 우선순위의 잡음 제거 능력 활용

최근 등장한 확산 모델은 학습 가능한 우선순위의 정밀도를 크게 향상시켜 역문제 해결에 혁신적인 길을 제시하고 있습니다. 역문제는 본질적으로 최대 사후 확률 추정을 포함하기 때문에, 이전 연구들은 확산 우선순위를 최적화 프레임워크에 통합하려고 노력했습니다. 그러나 기존의 최적화 기반 역 알고리즘은 확산 모델 내 우선정보는 주로 활용하지만 그들의 잡음 제거 능력은 간과하는 경향이 있습니다. 이러한 간극을 해소하기 위해 본 연구는 부가적인 최적화 변수를 도입하여 잡음이 있는 역문제를 2변수 제약 최적화 과제로 재구성하기 위해 확산 프로세스를 활용합니다. 그래디언트 절단을 사용하여 프로젝션 그래디언트 하강법을 효율적으로 적용하여 해당 최적화 문제를 해결합니다. 제안하는 알고리즘인 ProjDiff는 사전 학습된 확산 모델의 우선정보와 잡음 제거 능력을 최적화 프레임워크 내에서 효과적으로 활용합니다. 이미지 복원 작업 및 소스 분리와 부분 생성 작업에 대한 광범위한 실험을 통해 ProjDiff는 다양한 선형 및 비선형 역문제에서 우수한 성능을 보이며 실용적 응용 가능성을 강조합니다. 코드는 https://github.com/weigerzan/ProjDiff/ 에서 이용 가능합니다.