Posterior Continuation with Noise-Conditioned Frequency Exposure for Diffusion Inverse Problems

Technische Samenvatting: Posterior Continuatie met Ruis-geconditioneerde Frequentie-expositie voor Diffusie Inverse Problemen

Probleemstelling
Diffusie-posterior sampling adresseert inverse problemen door getraindeerde diffusie-priors te combineren met meting-consistentie sturing. Echter, bestaande training-vrije methoden falen vaak onder zware degradaties (bijv. sterke bewegingsonscherpte, zware downsampling) of slecht geconditioneerde operatoren. De geïdentificeerde kernbeperking is dat huidige samplers metingsinformatie uniform over alle frequenties en ruisniveaus injecteren, waarbij ze de ruis-afhankelijke betrouwbaarheid van signaalcomponenten negeren. Bij hoge ruisniveaus bevatten de schone schattingen afgeleid van het diffusiemodel fouten veroorzaakt door de score. Wanneer full-band likelihood-gradiënten worden berekend van deze onnauwkeurige schattingen, kunnen deze niet goed zijn uitgelijnd met de lokale posterior geometrie, wat leidt tot structurele drift en artefacten (bijv. ringing, textuur-uitwassing). Omgekeerd blijven laagfrequente structuren relatief stabiel, zelfs bij hoge ruisniveaus.

Methodologie
De auteurs stellen een Posterior Continuatie Framework voor op basis van Ruis-geconditioneerde Frequentie-expositie. Het centrale principe is dat meetfrequenties geëxposeerd moeten worden volgens het instantane diffusieruisniveau, in plaats van een vast schema te volgen op basis van solver stap-indices.

Het framework opereert via drie hoofdfases bij elk ruisniveau $\sigma_i$ in de reverse-time traject:

1. Diffusie Voorspelling: Een getraindeerdeerde diffusie-solver schat eerst een schoon beeld $\hat{x}_{0,i}$ vanuit de ruizige sample $x_{\tau_i}$.
2. Ruis-geconditioneerde Frequentie-beperkte Likelihood Verfijning: In plaats van onmiddellijk volledige band-consistentie af te dwingen, construeert de methode een intermediaire posterior die zich concentreert op frequentiebanden die betrouwbaar zijn bij het huidige ruisniveau.
   • Een frequentiemasker $M_{\omega_i}$ wordt toegepast in het Fourier-domein, waarbij de cutoff-radius $\omega_i$ expandeert naarmate het ruisniveau $\sigma_i$ afneemt.
   • Een gemengde meetdoelstelling $L_i$ interpoleert tussen band-beperkte consistentie (nadruk op betrouwbare lage frequenties) en full-band consistentie.
   • Langevin-dynamica wordt gebruikt om de schatting $\hat{x}_{0,i}$ te verfijnen onder deze frequentie-beperkte likelihood, wat resulteert in een verfijnde schatting $x^{ref}_{0,i}$. Dit voorkomt dat high-frequency score-fouten de update bij hoge ruisniveaus corrumperen.
3. Post-verfijning Haar-domein Commitment: Om het probleem aan te pakken dat band-beperkte likelihoods high-frequency detailcoëfficiënten zwak geconstraint laten (wat potentieel leidt tot operator-afhankelijke artefacten), wordt een commitment-regel toegepast na de verfijning.
   • De geschatte afbeelding en de verfijnde afbeelding worden getransformeerd naar het Haar wavelet-domein.
   • Coarse correcties (low-pass Haar coëfficiënten) worden onmiddellijk gecommit ($w_{i,c}=1$).
   • Verfijnde details (high-pass Haar coëfficiënten) worden gestuurd door een schema $w_{i,d}$ dat synchroon loopt met de frequentie-expositie. Details worden pas overgenomen wanneer de corresponderende meetfrequenties "geëxposeerd" worden (d.w.z. naarmate $\sigma_i$ afneemt en $\omega_i$ toeneemt).
   • De gefuseerde schatting wordt vervolgens opnieuw verruist om door te gaan naar de volgende stap in de traject.

Belangrijkste Bijdragen

1. Posterior Continuatie Visie: Het paper introduceert een framework waarbij de meet-bandbreedte gekoppeld is aan het instantane diffusieruisniveau, wat een solver-onafhankelijk expositieschema creëert. Dit contrasteert met eerdere frequentie-bewuste methoden die vertrouwen op discrete stap-indices.
2. Theoretische Karakterisering: De auteurs bieden een theoretische analyse die laat zien hoe score-geïnduceerde fouten in schone schattingen leiden tot likelihood-gradiënt mismatches die schalen met de ruisniveaus. Zij demonstreren dat frequentie-truncatie effectief de bijdrage van niet-geëxposeerde high-frequency banden aan deze mismatch verwijdert.
3. Praktische Training-vrije Sampler: Een concrete implementatie die diffusie-voorspelling, frequentie-beperkte likelihood-verfijning en een Haar-domein commitment-regel combineert. Dit ontwerp zorgt ervoor dat grove structuren vroegtijdig worden gestabiliseerd terwijl fijne details worden uitgesteld tot ze betrouwbaar identificeerbaar zijn.
4. Empirische Prestaties: De methode bereikt competitieve tot state-of-the-art prestaties over super-resolutie, inpainting en deblurring taken op FFHQ en ImageNet. Merkwaardig genoeg behaalt het een verbetering van tot wel 5 dB PSNR op motion deblurring vergeleken met sterke baselines.

Resultaten
Experimenten werden uitgevoerd op vier lineaire inverse problemen: 4× super-resolutie, motion deblurring, Gaussian deblurring en random inpainting.

• Kwantitatief: De voorgestelde methode ("Ours") presteert consequent beter dan baselines (inclusclusief DPS, DDNM, DDRM, FGPS, en DCDP) op PSNR, SSIM en LPIPS. De winst is het grootst op slecht geconditioneerde operatoren zoals motion deblurring (bijv. 36.69 PSNR versus 29.66 voor DAPS op FFHQ).
• Kwalitatief: Visuele vergelijkingen tonen een betere preservatie van globale structuur en objectidentiteit, met scherpere lokale texturen en onderdrukte ringing-artefacten vergeleken met methoden die full-band guidance te vroeg toepassen.
• Ablatie Studies: Het verwijderen van frequentie-continuatie leidt tot drift en artefacten bij hoge ruis. Het verwijderen van de Haar commitment-stap degradeert de detailkwaliteit, wat bevestigt dat beide componenten noodzakelijk zijn voor stabiele posterior sampling.

Significantie en Claims
Het paper claimt dat de instabiliteit van bestaande diffusie posterior samplers niet louter algoritmisch is, maar structureel, voortkomend uit een mismatch tussen ruisniveaus en de betrouwbaarheid van frequentiecomponenten. Door de expositie van meetinformatie te ontkoppelen van solver-specifieke stap-aantallen en deze te koppelen aan de fysieke ruisschaal, biedt de methode een principiële manier om de posterior geometrie te navigeren. De significantie ligt in het aantonen dat ruis-geconditioneerde frequentie-expositie en schema-gesynchroniseerde detail-commitment essentieel zijn voor het herstellen van fijne details zonder artefacten te introduceren in uitdagende inverse problemen. Het werk biedt een training-vrije oplossing die de robuustheid over diverse degradatie-typen verbetert zonder dat taak-specifieke hertraining vereist is.