Stage-wise Distortion-Perception Traversal in Zero-shot Inverse Problems with Diffusion Models

Resumen Técnico: Recorrido por Etapas de Distorsión–Percepción en Problemas Inversos Zero-shot con Modelos de Difusión

Planteamiento del Problema
Los problemas inversos bayesianos, que buscan reconstruir señales originales a partir de observaciones degradadas, están fundamentalmente limitados por la compensación distorsión–percepción (D–P). El rendimiento en distorsión mide la fidelidad de la reconstrucción a nivel de muestra (por ejemplo, mediante MSE o PSNR), mientras que el rendimiento en percepción refleja la calidad visual y la similitud distribucional con datos reales. El trabajo teórico ha establecido que estos objetivos están inherentemente en tensión: mejorar uno a menudo requiere degradar el otro. Aunque los modelos de difusión han logrado resultados de vanguardia (SOTA) en la resolución de problemas inversos zero-shot sin reentrenamiento específico de la tarea, los métodos existentes carecen de estrategias principistas y computacionalmente eficientes para recorrer la curva D–P en tiempo de inferencia. Los enfoques actuales, como el ajuste de los pasos de muestreo o el promediado de muestras, suelen ser heurísticos o computacionalmente costosos, y los mecanismos para controlar esta compensación en algoritmos zero-shot basados en difusión permanecen insuficientemente caracterizados.

Metodología
Los autores proponen un marco de dos etapas, denominado MAP-RPS (Máxima A Posteriori - Muestreo de Posterior Re-ruido), para permitir un recorrido flexible D–P utilizando un único modelo de difusión preentrenado. El método se extiende posteriormente al espacio latente como LMAP-RPS para aprovechar arquitecturas de difusión latente a gran escala.

1. Etapa 1: Inicialización de Baja Distorsión (Estimación MAP)
   La primera etapa aproxima la solución de Mínimo Error Cuadrático Medio (MMSE), que corresponde al punto óptimo de distorsión en la curva D–P. Los autores analizan posteriores fuertemente log-cóncavas y establecen que el estimador MAP sirve como un sustituto válido para la solución MMSE con un error de aproximación acotado. Derivan un gradiente tratable para el log-prior utilizando la función de puntuación del modelo de difusión preentrenado en un paso de tiempo específico $t_1$, lo que permite una estimación MAP eficiente mediante optimización basada en gradientes estocásticos. Esto produce un punto de partida de baja distorsión ($x_{MAP}$).

2. Etapa 2: Mejora de la Calidad Perceptiva (Muestreo de Posterior Re-ruido)
   La segunda etapa recorre la curva D–P mejorando progresivamente la calidad perceptiva. La estimación MAP se re-rueeda hasta un paso de tiempo prescrito $t_0$, y se realiza muestreo de posterior desde esta inicialización ruidosa. Teóricamente, los autores muestran que la distancia de Wasserstein-2 ($W_2$) (una métrica para el error de percepción) entre la distribución generada y la distribución de datos reales está controlada por el paso de tiempo de re-ruido $t_0$. Al variar $t_0$, el método permite una interpolación continua entre la solución MAP de baja distorsión (donde $t_0=0$) y el muestreo de posterior estándar (donde $t_0=T$).

Contribuciones Clave

• Marco Teórico: El artículo proporciona análisis teóricos para ambas etapas. Establece un límite de error para aproximar la solución MMSE con el estimador MAP bajo supuestos de fuerte log-concavidad y deriva un límite superior para la distancia $W_2$ en la etapa de muestreo de posterior re-ruido, demostrando que el error de percepción puede controlarse ajustando $t_0$.
• Diseño del Algoritmo: La introducción de MAP-RPS y su variante en espacio latente, LMAP-RPS, ofrece un mecanismo computacionalmente eficiente para el recorrido D–P. A diferencia de los métodos que requieren muestreo repetido o ajuste complejo de hiperparámetros, este enfoque requiere solo un procedimiento de estimación MAP y un proceso de muestreo de posterior.
• Extensión al Espacio Latente: Al extender el marco a modelos de difusión latente (LMAP-RPS), los autores aprovechan arquitecturas preentrenadas potentes (por ejemplo, Stable Diffusion) para una mayor aplicabilidad en tareas de alta resolución del mundo real.

Resultados Experimentales
Se realizaron experimentos extensivos en el conjunto de datos FFHQ (para el análisis de la curva D–P) y en el conjunto de datos MS-COCO (para problemas inversos cercanos a la realidad).

• Recorrido D–P: En las tareas FFHQ (eliminación de ruido, super-resolución, inpainting, desenfoque), tanto MAP-RPS como LMAP-RPS lograron consistentemente curvas más cercanas a la esquina inferior-izquierda ideal (distorsión y percepción óptimas) en comparación con métodos existentes como VSDPS y PSCGAN.
• Rendimiento en el Mundo Real: En MS-COCO, LMAP-RPS logró un rendimiento SOTA en casi todas las tareas y métricas (PSNR, SSIM, LPIPS, FID) en comparación con nueve líneas base recientes basadas en difusión latente.
• Eficiencia: LMAP-RPS demostró ventajas computacionales significativas. En $t_0=0$, fue significativamente más rápido que todas las líneas base. Incluso en $t_0=600$, permaneció computacionalmente eficiente, superando a menudo a otros métodos en velocidad mientras mantenía una calidad de reconstrucción superior.

Significado y Afirmaciones
El artículo afirma que MAP-RPS y LMAP-RPS proporcionan una perspectiva novedosa para realizar el recorrido D–P en problemas inversos zero-shot. Los autores enfatizan que su método ofrece una alternativa principista, teóricamente fundamentada y computacionalmente eficiente a las estrategias heurísticas existentes. Al desacoplar los objetivos de distorsión y percepción en dos etapas distintas, el marco permite a los practicantes seleccionar flexible una reconstrucción que se ajuste mejor a los requisitos específicos de la aplicación sin reentrenar modelos. Los autores también destacan el fuerte potencial práctico de LMAP-RPS, señalando su capacidad para entregar resultados SOTA en problemas inversos complejos y del mundo real con una complejidad computacional menor que los algoritmos actuales de vanguardia.

Limitaciones y Trabajo Futuro
Los autores reconocen que sus garantías teóricas dependen del supuesto de posteriores fuertemente log-cóncavas (aproximadamente unimodales). Aunque los resultados empíricos sugieren que el método sigue siendo efectivo en configuraciones más generales, el comportamiento bajo posteriores multimodales complejas requiere una investigación adicional. Además, la implementación actual depende de algoritmos específicos de muestreo de posterior (como DPS) para la Etapa 2, lo que puede introducir errores de estimación; el trabajo futuro podría integrar métodos de muestreo de posterior asintóticamente consistentes para refinar aún más el recorrido D–P.