슈타인의 비편향 위험 추정 기반 사후 샘플링: 확산 기반 역문제의 경로 보정

초록

확산 모델은 역문제를 해결하기 위한 강력한 학습 사전으로 부상하고 있다. 그러나 확산 샘플링과 데이터 일치화 단계를 번갈아 수행하는 현재의 반복적 해법들은, 누적 오차 때문에 고품질 복원을 얻기까지 수백~수천 단계가 필요한 경우가 많다. 우리는 이 문제를 해결하기 위해, 슈타인의 비편향 위험 추정(SURE)에서 얻은 그래디언트 업데이트와 주성분 분석(PCA)기반 노이즈 추정을 활용하여 샘플링 궤적의 이탈을 보정하는 방법을 제안한다. 특히 초기·중기 샘플링 단계에서 노이즈로 유발되는 오차를 완화함으로써, 보다 정확한 사후분포 샘플링을 가능하게 하고 오차 누적을 줄인다. 그 결과, 제안 방법은 100회 미만의 신경망 함수 평가 횟수로도 높은 복원 품질을 유지할 수 있다. 다양한 역문제에 대한 광범위한 평가에서, 제안 방법은 낮은 평가 횟수 구간에서 기존 기법들을 지속적으로 능가함을 확인하였다.

키워드