Resumo Técnico: Além da Precisão: Avaliando a Fidelidade Posterior de Solvers Inversos de Difusão

Declaração do Problema

Problemas inversos em domínios científicos e de engenharia (por exemplo, imageamento médico, geofísica, astronomia) são inerentemente mal-postos, frequentemente gerando múltiplas soluções fisicamente plausíveis devido ao ruído de medição e a dados incompletos. Embora os Solvers Inversos de Difusão (DIS) tenham surgido como um paradigma poderoso para resolver esses problemas, aproveitando priores de difusão pré-treinados, os benchmarks de avaliação atuais sofrem de uma limitação crítica: focam quase exclusivamente na precisão de reconstrução (por exemplo, PSNR, SSIM).

Esse foco cria uma "Armadilha da Precisão", onde os métodos são julgados exclusivamente pela qualidade de reconstrução ponto a ponto. No entanto, métodos DIS estocásticos são projetados para amostrar de uma distribuição posterior $p(x|y)$ para quantificar a incerteza. Um método pode alcançar alta precisão produzindo uma única saída determinística que, por acaso, está próxima da verdade fundamental, mas falhar em capturar o comportamento distribucional real (por exemplo, perdendo modos, colapsando a variância ou gerando amostras fora do posterior). Métricas existentes para fidelidade distribucional, como a distância de Wasserstein ou FID, exigem acesso a amostras ou densidades do posterior de verdade fundamental, que não estão disponíveis em aplicações científicas do mundo real. Consequentemente, há uma falta de métricas robustas e livres de verdade fundamental para avaliar se os métodos DIS recuperam genuinamente a distribuição posterior alvo.

Metodologia

1. Estudo Sistemático da Fidelidade Posterior

Os autores realizam um estudo controlado usando problemas inversos sintéticos com posteriores analíticos verdadeiros conhecidos. Ao visualizar amostras posteriores e compará-las com distribuições de verdade fundamental, eles demonstram que diferentes métodos DIS exibem comportamentos qualitativamente distintos (por exemplo, colapso de modos, cobertura pobre de modos fracos) mesmo quando sua precisão de reconstrução é comparável. Isso estabelece a necessidade de avaliar o comportamento distribucional além da precisão.

2. Discrepância de Stein baseada em Kernel com Pontuação (Score-KSD)

Para abordar a falta de amostras de verdade fundamental em configurações do mundo real, o artigo propõe o Score-KSD, uma métrica teoricamente fundamentada que avalia a consistência posterior sem exigir acesso à densidade ou amostras do posterior verdadeiro.

• Aproximação da Pontuação Posterior: O método baseia-se na decomposição da pontuação posterior $\nabla_x \log p(x|y)$ via regra de Bayes:
  $$\nabla_x \log p(x|y) = \nabla_x \log p(y|x) + \nabla_x \log p(x)$$

  • Pontuação de Verossimilhança: Para ruído gaussiano, a pontuação de verossimilhança $\nabla_x \log p(y|x)$ é analiticamente computável usando o operador direto $A$ e a medição $y$.
  • Pontuação de Prior: A pontuação de prior $\nabla_x \log p(x)$ é aproximada usando um modelo de difusão pré-treinado. Ao perturbar uma imagem limpa $x$ com pequeno ruído e consultar a rede de pontuação de difusão $s_\theta$, os autores aproximam a pontuação de prior.
  • Pontuação Combinada: A soma da pontuação de verossimilhança e da pontuação de prior aproximada produz um campo de pontuação posterior estimado $\hat{s}_p(x; y)$.

• Discrepância de Stein baseada em Kernel (KSD): Usando o campo de pontuação estimado, os autores aplicam o KSD para medir a discrepância entre a distribuição de amostras geradas por um método DIS ($\hat{q}_N$) e o posterior alvo $p(x|y)$. O KSD mede a violação máxima da identidade de Stein $\mathbb{E}[T_p f(X)] = 0$ sobre um Espaço de Hilbert de Kernel Reprodutor (RKHS).

  • O KSD quadrado admite um estimador empírico de forma fechada baseado nas amostras geradas e na função de kernel.
  • Uma versão normalizada, score-KSD, é proposta para levar em conta a dimensionalidade dos dados, permitindo comparação intra-tarefa. Um score-KSD mais baixo indica maior consistência com o campo de pontuação posterior alvo.

Contribuições Principais

1. Identificação da "Armadilha da Precisão": O artigo demonstra sistematicamente que alta precisão de reconstrução não garante alta fidelidade posterior. Diferentes métodos DIS podem produzir pontuações PSNR semelhantes enquanto exibem comportamentos de incerteza drasticamente diferentes (por exemplo, colapso determinístico versus amostragem bem dispersa).
2. Proposta do Score-KSD: Os autores introduzem uma métrica livre de verdade fundamental para avaliar a consistência posterior. Ao contrário de métricas distribucionais anteriores, o Score-KSD requer apenas o modelo direto, o nível de ruído e um prior de difusão pré-treinado, tornando-o aplicável a problemas inversos do mundo real onde o posterior verdadeiro é desconhecido.
3. Avaliação Abrangente: O estudo valida o Score-KSD através de:
   • Simulações Controladas: Comparando as classificações do Score-KSD com a fidelidade posterior visual e pontuações analíticas de verdade fundamental.
   • Tarefas do Mundo Real: Aplicando a métrica a espalhamento inverso linear, reconstrução de MRI subamostrada e reconstrução de CT de visão esparsa (ambos dentro da distribuição e fora da distribuição).

Resultados

• Estudos de Simulação: Em configurações sintéticas com posteriores conhecidos, o Score-KSD distingue com sucesso entre métodos que recuperam a geometria completa do posterior (incluindo modos fracos) e aqueles que sofrem de colapso de modos. Métodos com alta precisão, mas cobertura distribucional pobre (por exemplo, RED-Diff, FPS em configurações de execução única), exibiram valores de Score-KSD significativamente mais altos do que métodos com melhor consistência posterior (por exemplo, MCG-Diff, DiffPIR).
• Experimentos do Mundo Real:
  • O Score-KSD discrimina efetivamente entre métodos DIS e baselines triviais (priors incondicionais, ruído puro).
  • A métrica revela que métodos com pontuações PSNR semelhantes frequentemente têm valores de Score-KSD divergentes, confirmando que a precisão sozinha é insuficiente para avaliar solvers estocásticos.
  • Em configurações Fora da Distribuição (OOD) (por exemplo, reconstruir CTs de pulmão usando um prior treinado no LIDC-IDRI), os valores de Score-KSD aumentaram, indicando corretamente a consistência posterior degradada devido ao desajuste do prior.
  • A métrica mostrou estabilidade entre diferentes imagens de teste dentro da mesma tarefa, apoiando seu uso como uma ferramenta de diagnóstico robusta.

Significado e Alegações

O artigo argumenta que a quantificação robusta de incerteza é um pré-requisito para implantar métodos DIS em aplicações científicas sensíveis a riscos. O significado primário deste trabalho reside na mudança do paradigma de avaliação da precisão ponto a ponto para a fidelidade distribucional.

Os autores afirmam que o Score-KSD fornece um diagnóstico significativo e teoricamente fundamentado que:

1. Revela Comportamentos Ocultos: Descobre falhas distribucionais (como colapso de modos) que as métricas de precisão ignoram.
2. Permite Avaliação Livre de Verdade Fundamental: Permite a avaliação da consistência posterior em cenários do mundo real onde posteriores analíticos não estão disponíveis.
3. Destaca a "Armadilha da Precisão": Demonstra que a otimização para PSNR não leva necessariamente a uma melhor quantificação de incerteza, instando a comunidade a adotar padrões de avaliação conscientes da distribuição.

Os autores notam modestamente que o Score-KSD é um diagnóstico dentro da tarefa (os valores não são diretamente comparáveis entre diferentes problemas inversos devido à variação na nitidez e dimensões do posterior) e que sua precisão depende da estimativa correta da escala de ruído $\sigma_y$. Eles identificam a sensibilidade dessa estimativa de ruído como uma direção para trabalhos futuros.