通过测量优化提升扩散模型逆问题求解的效果与速度
计算机视觉与模式识别
2024-12-06 v1 人工智能
摘要
扩散模型最近在求解逆问题方面显示出显著的成功。然而，当前的扩散模型解决方案通常需要大量函数评估（NFEs）才能生成以测量为条件的高质量图像，因为它们在每个步骤中仅包含有限的信息。为了加速基于扩散的逆问题求解过程，本文引入Measurements Optimization（MO），一个更高效的即插即用模块，用于在逆问题求解的每个步骤中集成测量信息。该方法在FFHQ和ImageNet数据集上针对八种多样化的线性和非线性任务进行了全面评估。通过使用MO，我们在多个任务上实现了最先进（SOTA）性能，关键优势包括：（1）使用不超过100个NFEs，除ImageNet上的相位检索外，均实现了此目标；（2）即使在较低的NFEs下，也能达到SOTA或接近SOTA的结果；（3）可以无缝集成到现有的基于扩散模型的逆问题解决方案中，如DPS和Red-diff。例如，DPS-MO在FFHQ 256数据集上进行高动态范围成像，获得28.71 dB的峰值信噪比（PSNR），以最少的100个NFEs建立了新的SOTA基准，而当前方法需要1000至4000个NFEs才能实现相当的性能。
引用
@article{arxiv.2412.03941,
title = {Enhancing and Accelerating Diffusion-Based Inverse Problem Solving through Measurements Optimization},
author = {Tianyu Chen and Zhendong Wang and Mingyuan Zhou},
journal= {arXiv preprint arXiv:2412.03941},
year = {2024}
}