Core Concepts
데노이징 확산 모델(DDM)을 베이지안 역문제의 사전 분포로 사용할 때 발생하는 사후 분포 샘플링의 어려움을 해결하기 위해 분할 정복 접근법을 제안한다. 이 방법은 중간 단계의 보다 단순한 사후 분포 샘플링 문제를 정의하여 기존 방법들에 비해 근사 오차를 줄일 수 있다.
Abstract
이 논문은 데노이징 확산 모델(DDM)을 베이지안 역문제의 사전 분포로 사용할 때 발생하는 사후 분포 샘플링의 어려움을 해결하기 위한 새로운 방법을 제안한다.
기존 연구에서는 확산 항의 편향을 조정하는 근사 방법을 제안했지만, 이 논문에서는 DDM 사전 분포의 특정 구조를 활용하여 중간 단계의 보다 단순한 사후 분포 샘플링 문제를 정의한다. 이를 통해 기존 방법들에 비해 근사 오차를 줄일 수 있다.
제안하는 DIVIDE-AND-CONQUER POSTERIOR SAMPLER (DCPS) 알고리즘은 다음과 같이 작동한다:
표준 정규 분포와 주어진 사후 분포 사이의 중간 분포들을 정의한다.
이전 단계의 분포에서 샘플을 생성하고, 랑주뱅 반복과 비균일 마르코프 체인 시뮬레이션을 통해 다음 단계의 분포에서 샘플을 생성한다.
가우시안 변분 추론 방식을 사용하여 중간 분포들을 효율적으로 근사한다.
실험 결과, DCPS 알고리즘은 합성 데이터와 다양한 이미지 복원 작업에서 우수한 복원 성능을 보였다.
Stats
관측 y는 선형 모델 Y = AX + σyZ를 따른다.
X는 데노이징 확산 모델(DDM)을 통해 생성된 사전 분포를 따른다.
사후 분포 py
0(dx0)는 gy
0(x0) p0(dx0)/Z 형태로 표현된다.