ترجمه فارسی مقاله مسائل معکوس با مدل‌های انتشار: از دیدگاه تخمین MAP

چکیده

Inverse problems have many applications in science and engineering. In Computer vision, several image restoration tasks such as inpainting, deblurring, and super-resolution can be formally modeled as inverse problems. Recently, methods have been developed for solving inverse problems that only leverage a pre-trained unconditional diffusion model and do not require additional task-specific training. In such methods, however, the inherent intractability of determining the conditional score function during the reverse diffusion process poses a real challenge, leaving the methods to settle with an approximation instead, which affects their performance in practice. Here, we propose a MAP estimation framework to model the reverse conditional generation process of a continuous time diffusion model as an optimization process of the underlying MAP objective, whose gradient term is tractable. In theory, the proposed framework can be applied to solve general inverse problems using gradient-based optimization methods. However, given the highly non-convex nature of the loss objective, finding a perfect gradient-based optimization algorithm can be quite challenging, nevertheless, our framework offers several potential research directions. We use our proposed formulation to develop empirically effective algorithms for image restoration. We validate our proposed algorithms with extensive experiments over multiple datasets across several restoration tasks.

چکیده به فارسی (ترجمه ماشینی)

مشکلات معکوس کاربردهای زیادی در علم و مهندسی دارد.در دید رایانه ، چندین وظیفه ترمیم تصویر مانند تزریق ، دفع و فوق العاده با وضوح می تواند به طور رسمی به عنوان مشکلات معکوس مدل سازی شود.به تازگی ، روش هایی برای حل مشکلات معکوس ایجاد شده است که فقط از یک مدل انتشار بدون شرط از قبل آموزش دیده استفاده می کنند و نیازی به آموزش خاص کار ندارند.با این حال ، در چنین روشهایی ، نفوذ پذیری ذاتی در تعیین عملکرد نمره شرطی در طی فرآیند انتشار معکوس ، یک چالش واقعی را ایجاد می کند ، و به جای آن ، روش هایی را برای حل و فصل با تقریب به جای می گذارد که این امر بر عملکرد آنها در عمل تأثیر می گذارد.در اینجا ، ما یک چارچوب تخمین نقشه را برای مدل سازی فرآیند تولید مشروط معکوس از یک مدل انتشار زمان مداوم به عنوان یک فرآیند بهینه سازی هدف نقشه اساسی ، ارائه می دهیم ، که اصطلاح شیب آن قابل ردیابی است.از نظر تئوری ، چارچوب پیشنهادی می تواند برای حل مشکلات معکوس عمومی با استفاده از روشهای بهینه سازی مبتنی بر شیب اعمال شود.با این حال ، با توجه به ماهیت بسیار غیر متناوب هدف از دست دادن ، یافتن یک الگوریتم بهینه سازی کامل مبتنی بر شیب می تواند کاملاً چالش برانگیز باشد ، با این وجود ، چارچوب ما چندین جهت تحقیقات بالقوه ارائه می دهد.ما از فرمولاسیون پیشنهادی خود برای توسعه الگوریتم های تجربی مؤثر برای ترمیم تصویر استفاده می کنیم.ما الگوریتم های پیشنهادی خود را با آزمایش های گسترده در مورد چندین مجموعه داده در چندین کار ترمیم تأیید می کنیم.