Technische Samenvatting: Beyond MMSE: PnP-herstel verbeteren met ProxiMAP

Probleemstelling

Plug-and-Play (PnP) methoden zijn standaard geworden voor het oplossen van inverse beeldproblemen (zoals ontvlechting en inpainting) door de onberekenbare Maximum A Posteriori (MAP) denoiser in proximaal splitsingsalgoritmen te vervangen door een geleerde Minimum Mean Square Error (MMSE) denoiser. Hoewel dit effectief is, introduceert deze vervanging een fundamentele mismatch: de MMSE-schatter benadert de posterior-middelpunt, wat door "regressie naar het gemiddelde" de neiging heeft om overgesmoothde reconstructies te produceren, terwijl de variational formulering van PnP theoretisch de MAP-schatter vereist.

Recente pogingen om deze kloof te dichten door direct te mikken op de MAP met behulp van scores van diffusiemodellen hebben zich in de praktijk als problematisch bewezen. Het artikel toont aan dat bij het gebruik van geleerde scores, iteraties die op MAP mikken, niet convergeren naar realistische afbeeldingen. In plaats daarvan drijven ze af naar gebieden met hoge dichtheid van de geleerde verdeling die niet overeenkomen met de ware data-verdeling, wat resulteert in "cartoon-achtige" artefacten (vlakke kleuren, overdreven randen). Het artikel stelt dat deze mislukking niet inherent is aan MAP-schatting zelf, maar een gevolg is van benaderingsfouten in scores van geleerde modellen.

Methodologie: ProxiMAP

De auteurs introduceren ProxiMAP, een iteratief MAP-benaderingsalgoritme dat is ontworpen om te opereren binnen het betrouwbaarheidsregime van geleerde denoisers. Het kernontwerpprincipe is ruismatching: bij elke iteratie $k$ moet het residu-ruisniveau van de huidige iteratie overeenkomen met het ruisniveau $\sigma_k$ waarop de denoiser is getraind en bevraagd.

Sleutelmechanismen

1. Ruisplanning en Residu-tracking: In tegenstelling tot standaard gradiëntafstijging op de proximale doelstelling, waarbij de ruisplanning ontkoppeld is van de staat van de iteratie, houdt ProxiMAP expliciet het residu-ruisniveau $\sigma_k$ van de iteratie $x_k$ bij. Het algoritme dwingt de beperking af dat de denoiser altijd wordt bevraagd met een invoer waarvan de ruisstatistieken overeenkomen met de trainingsverdeling.
2. Impliciete Vroege Stop: Door deze match te handhaven, voorkomt het algoritme dat de iteratie afdrijft naar gebieden waar de geleerde score onbetrouwbaar is (het "mislukkingsregime"). Dit fungeert als een principiële vroege-stopmechanisme. De iteratie vertraagt naarmate het de data-maanderaad nadert, waardoor de mismatch-vragen die het cartoon-effect veroorzaken, worden vermeden.
3. Algoritmische Formulering: ProxiMAP wijzigt de gegladde gradiëntafstijgingsrecursie (gebaseerd op Pesme et al., 2025) om ervoor te zorgen dat $\sigma_k$ (het ruisniveau van de iteratie) gelijk is aan de conditionele ruis van de denoiser. De stapgrootte $\gamma_k$ en ruisplanning worden afgeleid om aan deze beperking te voldoen, zodat de denoiser "in-distribution" blijft.
4. Hybride Variant (Fast ProxiMAP): Erkenning dat volledige vervanging van MMSE door ProxiMAP in elke PnP-iteratie rekenkundig duur is, stellen de auteurs een hybride aanpak voor. Deze variant gebruikt standaard MMSE-denoisers in de vroege iteraties (waar de iteratie ver van de manifold ligt en score-nauwkeurigheid minder kritiek is) en schakelt pas over naar ProxiMAP in de late iteraties (waar de iteratie dicht bij de manifold ligt en de denoiser het meest betrouwbaar is). Dit levert vergelijkbare of superieure resultaten op met een fractie van de rekenkosten.

Belangrijkste Bijdragen

1. Diagnose van MAP-schatting met Geleerde Priors: Door gecontroleerde vergelijkingen met Gaussian Mixture Models (GMM's) met exacte scores versus diffusiemodellen met geleerde scores, stelt het artikel vast dat het "cartoon-effect" bij MAP-mikken voortkomt uit de impliciete biases van diffusietraining die gebieden met hoge dichtheid verplaatsen, en niet uit het MAP-schattingproces zelf.
2. ProxiMAP-algoritme: Een modulaire, drop-in vervanging voor MMSE-denoisers in standaard PnP-frameworks. Het is afgeleid van één enkel principe (ruismatching) dat de denoiser in-distribution houdt en impliciete vroege stop oplevert.
3. Systematische Verbeteringen: De methode toont consistente verbeteringen in perceptuele kwaliteit (LPIPS) terwijl concurrerende vervorming (PSNR) wordt behouden over meerdere PnP-algoritmen (DPIR, DiffPIR, DAPS), taken (ontvlechting, inpainting, super-resolutie, faseherstel) en datasets (FFHQ, ImageNet).
4. Efficiënte Hybride Variant: De "Fast ProxiMAP"-variant komt overeen met of overtreft de prestaties van volledige vervanging ProxiMAP tegen aanzienlijk lagere rekenkosten (bijvoorbeeld het verminderen van functiebeoordelingen van 160 naar 27 in sommige configuraties).

Experimentele Resultaten

De auteurs hebben ProxiMAP geëvalueerd op FFHQ- en ImageNet-datasets over diverse inverse problemen.

• Standalone Denoising: ProxiMAP presteert beter dan conditionele MMSE en andere deterministische diffusiesamplers (DDIM, Flow Matching, InDI) op de perceptie-vervorming trade-off curve, en bereikt een lagere LPIPS (scherpere afbeeldingen) voor vergelijkbare PSNR.
• PnP-integratie: Wanneer geïntegreerd in DPIR, DiffPIR en DAPS, verschuiven ProxiMAP-varianten consequent de Pareto-front naar de optimale hoek (hoge PSNR, lage LPIPS).
• Hybride Efficiëntie: De Fast ProxiMAP-variant (overschakelen naar ProxiMAP alleen in de laatste PnP-iteratie) bereikt resultaten die vergelijkbaar zijn met de variant met volledige vervanging, maar met drastisch minder netwerkbeoordelingen. Bijvoorbeeld, in DiffPIR vermindert het het aantal functiebeoordelingen (NFEs) van 160 naar 27 terwijl de reconstructiekwaliteit behouden blijft of verbetert.
• Oplossing voor Mislukkingsmodi: In gevallen waar volledige vervanging door ProxiMAP leidde tot hoogfrequente artefacten (bijvoorbeeld in super-resolutie op FFHQ), loste de hybride variant deze problemen succesvol op door te vertrouwen op de robuuste MMSE-schatter tijdens de vroege, onstabiele iteraties.

Betekenis en Claims

Het artikel beweert dat ProxiMAP een praktische oplossing biedt voor de langdurige mismatch tussen de MMSE-denoisers die in PnP worden gebruikt en de MAP-schatters die door de onderliggende variational formulering worden vereist. In plaats van te proberen convergentie af te dwingen naar een potentieel slecht gedefinieerde MAP van een geleerde verdeling, benut ProxiMAP de betrouwbaarheid van geleerde scores door de optimalisatietraject binnen de trainingsverdeling van de denoiser te houden.

De auteurs benadrukken dat hun bijdrage een modulair component is dat bestaande PnP-families verbetert zonder dat hertraining van de onderliggende diffusiemodellen of de ontwikkeling van nieuwe gespecialiseerde inverse probleemoplossers nodig is. Zij merken op dat hoewel ProxiMAP de perceptuele kwaliteit verbetert, de reconstructies nog steeds de biases van de vooringestelde diffusiemodellen erven, een kanttekening die vooral relevant is voor veiligheidskritieke toepassingen waar visuele plausibiliteit niet de enige determinant van correctheid mag zijn. Het werk suggereert dat het beheren van de relatie tussen het ruisniveau van de iteratie en het trainingsregime van de denoiser een effectiever ontwerpgreep is dan het nastreven van exacte MAP-convergentie met onnauwkeurige scores.