Diffusion Prior-Based Amortized Variational Inference for Noisy Inverse Problems

最近关于逆问题的研究提出了后验采样器，利用预先训练的扩散模型作为强大的先验。这些尝试为在广泛的逆问题中使用扩散模型铺平了道路。然而，现有的方法涉及计算密集的迭代采样过程，并为每个测量优化单独的解决方案，这导致可扩展性有限，缺乏对未见样本的泛化能力。为了解决这些限制，我们提出了一种新的方法，基于扩散先验的摊销变分推断（DAVI），从摊销变分推断的角度解决具有扩散先验的逆问题。具体而言，我们的摊销推断不是单独的按测量优化，而是学习一个将测量直接映射到相应干净数据的隐式后验分布的函数，从而使得即使对于未见过的测量也能进行单步后验采样。在图像恢复任务（例如，高斯模糊，4倍超分辨率和盒状修复）方面进行的广泛实验，使用两个基准数据集证明了我们的方法优于强基线模型。代码可在https://github.com/mlvlab/DAVI上获得。

论文旨在解决逆问题中计算复杂度高、泛化能力差的问题，提出了一种基于扩散先验的摊销变分推断方法。

论文提出了DAVI方法，该方法使用摊销变分推断，将测量直接映射到相应干净数据的隐式后验分布，实现了单步后验采样，从而提高了计算效率和泛化能力。

论文在图像恢复任务中进行了广泛实验，包括高斯去模糊、4倍超分辨率和盒子修补等，使用了两个基准数据集，并展示了DAVI方法相对于强基线模型的优越性能。此外，论文还提供了开源代码。

近期的相关研究主要是将预训练的扩散模型用作有力的先验分布，但这些方法通常涉及计算复杂的迭代采样过程和为每个测量优化单独的解决方案，从而导致泛化能力差。