What Do Flow-Based Inverse Solvers Approximate? A Posterior-Transport View

Resumo Técnico: O que os Solvers Inversos Baseados em Fluxo Aproximam? Uma Visão de Transporte de Posterior

Problema
Uma classe crescente de solvers sem treinamento (ex: FlowDPS, FLOWER, PnP-Flow) aborda problemas inversos de imagem reaproveitando priors de correspondência de fluxo (flow-matching) pré-treinados. Esses métodos integram a ODE de fluxo de probabilidade determinística do prior enquanto injetam um termo de orientação por medição em cada etapa para conduzir a trajetória em direção aos dados observados $y$. Embora sejam empiricamente eficazs para produzir reconstruções plausíveis, a natureza teórica dessas correções por etapa permanece não caracterizada. Especificamente, não está claro o que essas correções aproximam, o quão longe as amostras resultantes se desviam da verdadeira posterior $p(x|y)$ e se elas podem capturar de forma confiável a incerteza e a multimodalidade da posterior.

Metodologia e Estrutura Teórica
Os autores adotam uma perspectiva de "transporte de posterior", reavaliando fundamentalmente o condicionamento bayesiano sob priors de fluxo determinísticos.

1. Transporte de Posterior Exato via Reponderação de Fonte:
   O artigo estabelece uma dicotomia crítica entre priors estocásticos (difusão) e determinísticos (fluxo). Para um prior de difusão, o condicionamento em $y$ requer a adição de um drift de transformação $h$ de Doob à dinâmica. Em contraste, para um prior de fluxo determinístico, os autores provam (Proposições 1 & 2) que o condicionamento é realizado inteiramente pela reponderação da distribuição de fonte $p_0$, não pela modificação do campo de velocidade.

   • Seja $\Phi$ o mapa de fluxo que transporta $p_0$ para a distribuição de dados $p_1$.
   • A verdadeira posterior $p(x|y)$ é exatamente o pushforward de uma fonte reponderada $p_0^y \propto p(y|\Phi(z))p_0(z)$ sob o campo de velocidade não modificado.
   • Consequentemente, nenhuma correção de drift é teoricamente necessária se fosse possível amostrar da fonte reponderada.

2. Orientação de Trajetória como Correção Aproximada:
   Como a amostragem da fonte reponderada é intratável em altas dimensões (devido ao tamanho efetivo de amostra evanescente), os solvers existentes partem da fonte incondicional $p_0$ e adicionam um campo de correção $u_t$ à velocidade.

   • Os autores definem o campo de correção canônico $u^*_t$ como o campo de energia cinética mínima necessário para transportar a trajetória da fonte incondicional para a trajetória da posterior (um problema de controle do tipo Benamou–Brenier/Schrödinger).
   • Eles caracterizam os solvers existentes (FlowDPS, FLOWER, PnP-Flow) como aproximações distintas e gananciosas (greedy) deste campo canônico:
     • FlowDPS: Uma aproximação de ordem zero (massa pontual) usando uma mobilidade escalar e uma estimativa de endpoint de fluxo-Tweedie.
     • FLOWER: Uma aproximação Gaussiana usando uma posterior gaussiana isotrópica e projeção de gradiente conjugado.
     • PnP-Flow: Uma aproximação de divisão proximal (proximal splitting).
   • O Teorema 1 fornece um limite de distância de Wasserstein sobre o viés da posterior, mostrando que ele é controlado pela discrepância entre a correção do solver e o $u^*_t$ canônico.

3. Análise de Grandes Desvios de Colapso de Modo:
   Usando a teoria de grandes desvios (Proposição 4), o artigo analisa o limite de ruído pequeno. Ele demonstra que a verdadeira posterior é uma mistura de modos com pesos de Laplace específicos determinados pelo prior da fonte e pelo landscape de verossimilhança.

   • A reponderação da fonte preserva esses pesos inter-bacias.
   • A orientação de trajetória, sendo uma ascensão local na verossimilhança, falha em preservar esses pesos globais. Ela tende a colapsar posteriores multimodais em uma única crista consistente com a medição, independentemente da força da orientação. Isso explica o "colapso de modo" observado empiricamente.

Principais Contribuições

• Caracterização Exata: Provar que, para fluxos determinísticos, o condicionamento é uma operação de fonte (reponderação) em vez de uma operação de trajetória (correção de drift).
• Visão Unificadora de Solvers: Identificar o campo de correção de energia cinética mínima canônico e posicionar os solvers de fluxo existentes como aproximações específicas (ordem zero, gaussianas ou proximais) deste objeto único.
• Limites de Viés: Derivar um limite de Wasserstein no viés da posterior de solvers de orientação de trajetória baseados em seu desvio do corretor canônico.
• Validação Empírica: Um estudo controlado em 2D com uma posterior de mistura Gaussiana de forma fechada confirma que a reponderação da fonte iguala o piso de Monte-Carlo em todas as métricas, enquanto a orientação de trajetória incorre em erros 200–800$\times$ maiores e colapsa os modos.
• Solver Prático: Propor um solver de "correção de velocidade" que é computacionalmente barato (sem retropropagação de ODE) e produz amostras de posterior diversas.

Resultos

• Estudo Controlado 2D: Em um cenário com uma posterior de forma fechada, a reponderação da fonte alcançou um alinhamento quase perfeito com o ground truth. Em contraste, a orientação do tipo FlowDPS resultou em erros ordens de magnitude superiores e falhou em recuperar os pesos corretos dos modos, mesmo com variações na força da orientação.
• Restauração de Imagem (AFHQ, CelebA): O solver de correção de velocidade proposto alcançou qualidade perceptual competitiva (LPIPS) e PSNR em comparação com as linhas de base de estado da arte (FLOWER, OT-ODE, D-Flow).
  • Alcançou o melhor LPIPS em inpainting de caixa e foi competitivo em super-resolução e desfoque (deblurring).
  • Crucialmente, ao contrário de otimizadores de estimativa pontual (ex: D-Flow) ou métodos de orientação de trajetória única, o solver proposto gera amostras de posterior diversas.
  • Ele produz um mapa de incerteza por pixel que correlaciona fortemente com o erro de reconstrução ($\rho \approx 0,76$ para inpainting), permitindo que o modelo "saiba o que não sabe".
• Robustez Out-of-Distribution (OOD): O solver demonstrou generalização superior em dados OOD (ex: aplicar um prior de gato em imagens de cachorro) comparado aos métodos de orientação, que tendiam a se comprometer excessivamente com os modos do prior incompatível.

Significância e Alegações
O artigo alega que a "visão de transporte de posterior" oferece uma base principiológica para entender e projetar solvers inversos baseados em fluxo. Ele argumenta que:

1. Limitação Estrutural: Os solvers de orientação de trajetória existentes são estruturalmente enviesados porque tentam corrigir a trajetória em vez da fonte, levando a um colapso de modo inevitável e erros distributivos que não podem ser ajustados apenas alterando a força da orientação.
2. Utilidade Prática: Embora a reponderação exata da fonte seja intratável na escala de imagem, a análise motiva um solver de correção de velocidade barato e amortizado. Este solver não afirma ser um amostrador provadamente exato para imagens, mas oferece uma aproximação fiel que captura a diversidade da posterior e a incerteza, capacidades que métodos de estimativa pontual carecem fundamentalmente.
3. Direção Futura: Os autores identificam o desenvolvimento de um amostrador de posterior do lado da fonte, escalável e provadamente fiel para priors de fluxo, como o próximo passo natural, preenchendo a lacuna entre o ideal teórico (reponderação da fonte) e as heurísticas práticas.

O artigo explicitamente evita alegar desempenho uniforme de estado da arte em métricas de reconstrução única (PSNR/LPIPS), observando que essas métricas frequentemente falham em distinguir entre solvers em regimes restritos. Em vez disso, posiciona sua contribuição na capacidade de quantificar incerteza e amostrar soluções diversas, uma capacidade crítica para tarefas de restauração de alta confiabilidade.