GibbsDDRM：一种用于求解盲逆问题去噪扩散复原的局部坍缩Gibbs采样器
机器学习
2023-06-28 v2 人工智能
计算机视觉与模式识别
声音
音频与语音处理
摘要
预训练扩散模型已成功用作多种线性逆问题中的先验，其目标是从含噪线性测量中重建信号。然而，现有方法需要已知线性算子。本文中，我们提出GibbsDDRM，将去噪扩散复原模型(Denoising Diffusion Restoration Models, DDRM)扩展至线性测量算子未知的盲设置。GibbsDDRM通过使用预训练扩散模型作为数据先验，构建数据、测量值和线性算子的联合分布，并通过高效变体Gibbs采样器进行后验采样来求解问题。所提方法与问题无关，意味着预训练扩散模型可应用于各种逆问题而无需微调。在实验中，尽管对底层线性算子使用了简单的通用先验，它在盲图像去模糊和人声去混响任务上均取得了高性能。
引用
@article{arxiv.2301.12686,
title = {GibbsDDRM: A Partially Collapsed Gibbs Sampler for Solving Blind Inverse Problems with Denoising Diffusion Restoration},
author = {Naoki Murata and Koichi Saito and Chieh-Hsin Lai and Yuhta Takida and Toshimitsu Uesaka and Yuki Mitsufuji and Stefano Ermon},
journal= {arXiv preprint arXiv:2301.12686},
year = {2023}
}