Neues Verfahren RePS beschleunigt Inverse Probleme mit Diffusionsmodellen

Inverse Probleme, bei denen aus unvollständigen oder verrauschten Messungen ein zugrunde liegendes Signal rekonstruiert werden soll, stehen im Fokus vieler wissenschaftlicher und ingenieurtechnischer Fragestellungen. In den letzten Jahren haben Diffusionsmodelle als leistungsfähige implizite Prioritäten an Bedeutung gewonnen, weil sie komplexe Datenverteilungen exakt erfassen können.

Traditionelle Ansätze, die Diffusionsmodelle für Inverse Probleme einsetzen, stützen sich häufig auf starke Posterior‑Approximationen, erfordern aufwändige Gradient‑Backpropagation durch das Score‑Netzwerk oder sind auf lineare Messmodelle beschränkt. Das neue Verfahren Restart for Posterior Sampling (RePS) löst diese Einschränkungen, indem es eine restart‑basierte Sampling‑Strategie nutzt, die bereits in der unconditional Diffusion Forschung zu einer verbesserten Stichprobenqualität geführt hat.

RePS arbeitet mit einer bedingten ODE, die für jedes differenzierbare Messmodell anwendbar ist, und führt eine vereinfachte Restart‑Strategie ein, die akkumulierte Approximationseffekte während des Samplings reduziert. Durch das Weglassen der Backpropagation durch das Score‑Netzwerk wird die Rechenlast deutlich verringert. In umfangreichen Tests zeigt RePS eine schnellere Konvergenz und eine überlegene Rekonstruktionsqualität gegenüber bestehenden Diffusions‑Baselines – sowohl bei linearen als auch bei nichtlinearen Inverse Problemen.