基于原则化期望最大化方法从噪声测量学习扩散模型
计算机视觉与模式识别
2024-10-16 v1
摘要
扩散模型在建模复杂图像分布方面展现出卓越的能力，因而可被用作解决图像逆问题的灵活插拔式先验。然而，其依赖大规模干净数据集进行训练，限制了其在获取干净数据成本高昂或不可行的场景中的适用性。近期方法尝试直接从受损测量中学习扩散模型，但这些方法要么缺乏理论收敛保证，要么受限于特定的数据损坏类型。在本文中，我们提出了一套原则化的期望最大化 (EM) 框架，用于从噪声数据中学习扩散模型。该框架采用插拔式蒙特卡洛方法准确估计干净图像，随后使用重构图像训练扩散模型。这一过程在收敛前交替进行估计和训练。我们在各种图像任务上评估了该方法的性能，包括图像修复、去噪和去模糊。实验结果表明，我们的方法能够从噪声数据中学习出高保真度的扩散先验，显著提升图像逆问题中的重构质量。
引用
@article{arxiv.2410.11241,
title = {Learning Diffusion Model from Noisy Measurement using Principled Expectation-Maximization Method},
author = {Weimin Bai and Weiheng Tang and Enze Ye and Siyi Chen and Wenzheng Chen and He Sun},
journal= {arXiv preprint arXiv:2410.11241},
year = {2024}
}