Résumé Technique : FlowLPS

Énoncé du Problème

L'article aborde le défi de la résolution de problèmes inverses en imagerie (retrouver un signal $x_0$ à partir de mesures bruitées $y = A(x_0) + n$) en utilisant des modèles de flux latents préentraînés. Bien que les modèles génératifs profonds servent de priors puissants, les solveurs sans entraînement font face à un compromis pratique sous un budget de temps inverse fini (nombre d'étapes de calcul limité).

Les approches existantes relèvent généralement de deux régimes présentant des limitations distinctes dans les espaces latents non linéaires (par exemple, ceux régis par les décodeurs de VAE) :

1. Solveurs dominés par le raffinement : Ces méthodes (par exemple, FLAIR, Flower) imposent de manière agressive la cohérence avec les mesures via une optimisation locale. Bien qu'elles réduisent rapidement l'erreur de mesure, leurs résultats sont souvent sensibles à l'initialisation et peuvent perturber la trajectoire soutenue par le prior, entraînant des artefacts ou une dégradation du réalisme perceptuel.
2. Solveurs dominés par l'échantillonnage : Ces méthodes (par exemple, DAPS) reposent sur des dynamiques de Langevin stochastiques pour explorer l'arrière-plan. Bien qu'elles préservent la fidélité au prior et la stochasticité, elles nécessitent souvent un nombre excessif d'itérations pour se concentrer en des estimations nettes et cohérentes avec les mesures, ce qui les rend inefficaces sous des budgets fixes.

Le problème central est l'absence d'une méthode capable d'équilibrer efficacement l'exploration stochastique de l'arrière-plan avec un raffinement déterministe guidé par les mesures, et ce, dans un nombre limité d'étapes d'inférence.

Méthodologie : FlowLPS

Les auteurs proposent FlowLPS (Langevin-Proximal Sampling), un solveur hybride sans entraînement conçu pour combler le fossé entre les deux régimes de fonctionnement. La méthode opère à chaque étape de temps inverse $t$ via un processus en trois étapes :

1. Initialisation Langevin orientée vers l'arrière-plan

Au lieu d'utiliser les dynamiques de Langevin comme un échantillonneur d'arrière-plan à long terme, FlowLPS utilise quelques mises à jour de Langevin ($N_L$ étapes) pour perturber l'estimation propre prédite par le modèle ($\hat{z}_{0|t}$).

• Mécanisme : En partant de la prédiction du modèle de flux, l'algorithme effectue des mises à jour de gradient stochastiques guidées par le gradient de l'arrière-plan conditionnel $\nabla_{z_0} \log p(z_0|z_t, y)$.
• Objectif : Générer une initialisation diversifiée et orientée vers l'arrière-plan qui explore le bassin d'attraction local, plutôt que de s'appuyer uniquement sur la trajectoire déterministe du modèle de flux.

2. Raffinement proximal de type MAP local

Suite à l'initialisation stochastique, FlowLPS applique un raffinement local de type Maximum A Posteriori (MAP).

• Mécanisme : L'algorithme résout un problème d'optimisation proximal initialisé au point mis à jour par Langevin. Sous des hypothèses gaussiennes pour le prior et le bruit, cela se formule comme la minimisation d'un objectif composite :
  $$\min_{z_0} \|y - A(z_0)\|^2 + \frac{\sigma_n^2}{s_t^2} \|z_0 - \hat{z}_{0|t}^{(NL)}\|^2$$
  où le premier terme impose la cohérence avec les mesures et le second terme agit comme un régularisateur proximal maintenant la solution proche de l'initialisation stochastique.
• Objectif : Concentrer rapidement l'estimation en une reconstruction nette et cohérente avec les mesures, en tirant parti de la « bonne » initialisation fournie par la phase de Langevin.

3. Rebruitage contrôlé de type pCN

Pour stabiliser la trajectoire inverse après le raffinement, FlowLPS emploie une étape de rebruitage contrôlée inspirée de l'algorithme Crank-Nicolson préconditionné (pCN).

• Mécanisme : Au lieu de tirer un vecteur de bruit complètement nouveau pour l'étape suivante, la composante de bruit est rafraîchie via une combinaison linéaire de l'estimation de bruit précédente et d'un nouveau bruit gaussien : $\hat{z}_{1|t}^{(new)} = \rho_t \hat{z}_{1|t}^{(old)} + \sqrt{1-\rho_t^2}\epsilon$.
• Objectif : Injecter la stochasticité nécessaire pour empêcher l'effondrement de la trajectoire tout en conservant la cohérence avec la direction du bruit prédite par le modèle, équilibrant ainsi exploration et stabilité.

Contributions Clés

1. Cadre FlowLPS : Un solveur inverse de flux latent sans entraînement qui intègre une initialisation Langevin orientée vers l'arrière-plan avec un raffinement proximal local cohérent avec les mesures.
2. Analyse Théorique : Une analyse locale démontrant les rôles complémentaires des deux phases : les mises à jour de Langevin fournissent une exploration stochastique pour échapper aux mauvais minima locaux, tandis que le raffinement proximal assure une contraction géométrique vers le minimiseur local dans un budget d'étapes fini.
3. Mécanisme de Stabilisation : L'introduction d'un rebruitage contrôlé de type pCN pour maintenir la cohérence de la trajectoire tout en rafraîchissant la composante de bruit.
4. Validation Empirique : Des expériences complètes montrant que FlowLPS atteint un équilibre supérieur entre les métriques de distorsion (PSNR, SSIM) et la qualité perceptuelle (FID, LPIPS) par rapport aux bases de référence de l'état de l'art.

Résultats Expérimentaux

Les auteurs ont évalué FlowLPS sur les ensembles de données FFHQ et DIV2K à travers cinq problèmes inverses linéaires : défloutage gaussien, défloutage par mouvement, super-résolution ($\times 12$), inpainting par boîte et inpainting aléatoire.

• Équilibre de Performance : FlowLPS surpasse ou égale constamment les méthodes dominées par le raffinement (comme Flower) dans les métriques perceptuelles (FID, LPIPS) tout en maintenant des métriques de distorsion compétitives. Inversement, il surpasse significativement les méthodes dominées par l'échantillonnage (comme DAPS) dans les deux types de métriques (distorsion et perceptuelles) sous des budgets de calcul appariés (40 NFEs).
• Études d'Ablation :
  • Nombre d'étapes de Langevin ($N_L$) : Un nombre intermédiaire d'étapes de Langevin (par exemple, $N_L=5-7$) donne les meilleurs résultats. $N_L=0$ conduit à des résultats trop lissés (dominés par le raffinement), tandis qu'un $N_L$ excessif conduit à des détails bruyants et instables (dominés par l'échantillonnage).
  • Calendrier pCN : Un calendrier de mélange adaptatif ($\rho_t = \sqrt{1-t}$) surpasse les calendriers fixes, suggérant que le rafraîchissement stochastique doit dépendre de l'incertitude de temps inverse restante.
• Généralisabilité : Des expériences supplémentaires sur des problèmes inverses dans l'espace des pixels et la récupération de phase confirment que le principe Langevin-Proximal n'est pas limité aux problèmes linéaires dans l'espace latent.

Signification et Affirmations

L'article affirme que FlowLPS comble une lacune pratique critique dans la résolution de problèmes inverses : le compromis entre l'exploration stochastique et le raffinement déterministe sous des budgets de calcul finis.

• Efficacité Pratique : En traitant les mises à jour de Langevin comme un mécanisme d'initialisation plutôt que comme un échantillonnage complet de l'arrière-plan, FlowLPS évite le coût élevé d'un échantillonnage stochastique extensif tout en évitant la sensibilité à l'initialisation de l'optimisation pure.
• Compromis Perception-Distorsion : La méthode navigue avec succès dans le compromis perception-distorsion, produisant des reconstructions à la fois mathématiquement cohérentes avec les mesures et perceptuellement réalistes, évitant ainsi les artefacts « trop lissés » des optimiseurs agressifs et les artefacts « bruyants » des échantillonneurs insuffisamment convergents.
• Limitations : Les auteurs notent modestement que FlowLPS dépend du prior de base préentraîné ; ainsi, des entrées fortement hors distribution peuvent encore produire des artefacts ou des détails hallucinés, nécessitant une prudence dans des applications à haut risque telles que l'imagerie médicale ou médico-légale.