利用扩散模型无监督检测逆问题中的分布偏移
计算机视觉与模式识别
2025-05-27 v3
摘要
扩散模型被广泛用作成像逆问题中的先验。然而，当训练图像与测试图像之间存在分布偏移时，其性能往往会下降。现有的分布偏移识别与量化方法通常需要访问干净的测试图像，而在求解逆问题时（测试阶段）几乎无法获得这些图像。我们提出了一种完全无监督的度量方法，仅利用间接（损坏的）测量值和在不同数据集上训练的扩散模型的得分函数来估计分布偏移。我们从理论上证明，该度量估计了训练与测试图像分布之间的 KL 散度。实验表明，我们基于得分的度量仅使用损坏的测量值，就能紧密逼近由干净图像计算得到的 KL 散度。受此结果启发，我们证明仅使用损坏的测量值将分布外得分与分布内得分对齐，可降低 KL 散度，并提升多个逆问题的重建质量。
引用
@article{arxiv.2505.11482,
title = {Unsupervised Detection of Distribution Shift in Inverse Problems using Diffusion Models},
author = {Shirin Shoushtari and Edward P. Chandler and Yuanhao Wang and M. Salman Asif and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2505.11482},
year = {2025}
}