Neuer Ansatz mit Diffusionsmodellen löst Inverse Probleme ohne Feinabstimmung

Ein neu veröffentlichter Ansatz nutzt ein vortrainiertes, unbedingtes Diffusionsmodell, um beliebige Inverse Probleme zu lösen – und das ohne aufwändige, problem-spezifische Trainingsschritte. Durch die Kombination mit Posterior‑Sampling oder MAP‑Schätzungen kann das Modell bereits vorhandene Daten optimal nutzen.

Der Schlüssel liegt im sogenannten variational mode‑seeking loss (VML). Dieser Verlust minimiert bei jedem Rückwärts‑Diffusionsschritt die Kullback‑Leibler‑Divergenz zwischen der Diffusions‑Posterior‑Verteilung und der Mess‑Posterior‑Verteilung. Für lineare Inverse Probleme lässt sich VML sogar analytisch bestimmen, wodurch die Notwendigkeit von Annahmen und Approximationen entfällt.

Auf Basis dieser theoretischen Erkenntnisse wurde der Algorithmus VML‑MAP entwickelt. In umfangreichen Experimenten auf verschiedenen Bild‑Restaurierungsaufgaben und Datensätzen hat VML‑MAP sowohl die Rekonstruktionsqualität als auch die Rechenzeit gegenüber bestehenden Methoden deutlich verbessert. Der Ansatz zeigt, dass Diffusionsmodelle mit einem gezielten Verlustfunktionstuning leistungsfähige, generische Lösungen für Inverse Probleme bieten können.