Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing

最近，扩散模型在解决具有学习数据先验的贝叶斯反问题方面取得了成功。目前的方法建立在扩散采样过程之上，其中每个去噪步骤对来自前一步骤的样本进行微小修改。然而，这个过程难以纠正早期采样步骤中的错误，在复杂的非线性反问题，如相位恢复中表现更差。为了解决这个挑战，我们提出了一种新的方法，称为解耦退火后验采样（DAPS），它依赖于一种新颖的噪声退火过程。具体来说，我们解耦扩散采样轨迹中的连续步骤，允许它们彼此相当大地变化，同时确保它们的时间边缘随着我们降低噪声水平而退火到真实的后验分布。这种方法可以探索更大的解空间，提高准确重建的成功率。我们证明DAPS显著提高了多个图像恢复任务的样本质量和稳定性，特别是在复杂的非线性反问题中。例如，我们在FFHQ 256数据集上的相位恢复达到了30.72dB的PSNR，这比现有方法提高了9.12dB。

本论文旨在解决贝叶斯反问题中的噪声问题，尤其是在非线性反问题中的性能问题。

本文提出了一种新的噪声退火过程，称为Decoupled Annealing Posterior Sampling (DAPS)，通过解耦连续步骤，使它们可以相互变化，从而探索更大的解空间，提高准确重建的成功率。

本文通过实验展示了DAPS方法在多个图像恢复任务中的显着改进，特别是在复杂的非线性反问题中。例如，在FFHQ 256数据集上实现了30.72dB的PSNR，相比现有方法提高了9.12dB。本文的代码已经开源。

与此相关的最新研究包括：Diffusion Sampling、Bayesian Inverse Problems等。