arXiv:2601.22029v2 cs.LG

관측 앙상블 조건 역문제: 응용 및 방법

Inverse Problems Conditioned on Observation Ensembles: Applications and Methods

Zhengyan Huan, Camila Pazos, Martin Klassen, Vincent Croft, Pierre-Hugues Beauchemin, Shuchin Aeron

제출 2026-09-24

한국어 초록

본 논문은 앙상블 조건 역문제(EIP)라 명명하는 새로운 다변량 통계 문제를 소개한다. EIP의 목표는 순방향 과정(forward process) 하에서 사전분포(prior)의 pushforward에 따라 분포하는 앙상블을 역산하는 것이다. 고에너지 물리학(HEP)에서는 이 문제가 unfolding으로 잘 알려져 있으며, 검출기 효과로 왜곡된 관측으로부터 실제 물리 분포를 재구성하는 것을 목표로 한다. EIP는 전체 파형 역산(FWI)과 알려지지 않은 사전분포를 갖는 역영상(inverse imaging)에서도 등장한다. 우리는 앙상블 역생성 생성 모델(ensemble inverse generative models)이라 부르는 새로운 조건부 생성 모델 클래스를 기반으로 사후 샘pler를 구성하는 비반복적 추론 시점 방법을 제안한다. 사후 모델링에서 이 모델들은 단일 관측 위에 관측 집합에 포함된 앙상블 정보를 추가로 활용한다. 기존 방법과 달리, 제안 방법은 동일한 순방향 모델과 일치하되 넓은 범위의 사전분포에서 기원한 여러 진실-관측 쌍 집합에 걸친 학습을 통해 추론 시점에 순방향 모델을 명시적·반복적으로 사용하지 않는다. 실험적으로 이 학습 절차가 가능도 모델을 암묵적으로 인코딩하여, 어느 정도 보지 못한 사전분포에 대한 직접 사후 추론을 가능하게 함을 보인다. 역영상, HEP, FWI 분야의 여러 합성 및 실제 데이터셋에서 제안 방법을 벤치마크한다. 코드는 https://github.com/ZhengyanHuan/EIP 에서 제공한다.

원문 초록

We introduce a new multivariate statistical problem that we refer to as the Ensemble-conditioned Inverse Problem (EIP). The aim of EIP is to invert for an ensemble that is distributed according to the pushforward of a prior under a forward process. In high energy physics (HEP), this is related to a widely known problem called unfolding, which aims to reconstruct the true physics distribution from observations that are distorted by detector effects. The EIP also arises in full waveform inversion (FWI) and inverse imaging with unknown priors. We propose non-iterative inference-time methods that construct posterior samplers based on a new class of conditional generative models, which we call ensemble inverse generative models. For the posterior modeling, these models additionally use the ensemble information contained in the observation set on top of single observations. Unlike existing methods, our proposed methods avoid explicit and iterative use of the forward model at inference time via training across several sets of truth-observation pairs that are consistent with the same forward model, but originate from a wide range of priors. We empirically demonstrate that this training procedure can implicitly encode the likelihood model, enabling direct posterior inference for unseen priors to some degree. We benchmark the proposed method on several synthetic and real datasets in inverse imaging, HEP, and FWI. Our code is available at https://github.com/ZhengyanHuan/EIP.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2601.22029v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2605.11506v3cs.CV공통 태그 inverse problems, posterior sampling

역문제를 위한 확산 기반 최적화기의 원칙적 설계

Principled Design of Diffusion-based Optimizers for Inverse Problems

스코어 기반 확산 모델은 역문제에서 최첨단 성능을 달성하지만, 긴 추론 시간과 번거로운 하이퍼파라미터 튜닝으로 인해 실제 배포가 저해된다. 사전학습된 확산 모델은 재학습 없이 여러 태스크에 재사용할 수 있지만, 노이즈 스케줄과 사후 샘플링 가중치와 같은 추론 시점 하이퍼파라미터는 일반적으로 각 문제 설정마다 임시방편적인 조정이 필요하다. 우리는 불변성을 유도하는 원칙적 재매개화를 제안하여, 동일한 하이퍼파라미터를 재튜닝 없이 여러 문제에 걸쳐 재사용할 수 있게 한다. 또한 사후 샘플링을 최적화 문제로 재구성하는 RED-diff 프레임워크를 바탕으로, OptDiff 파이프라인을 추가로 개발한다. OptDiff는 추론을 가속하기 위한 볼록 최적화 도구의 통합을 용이하게 하는 간소화된 튜닝 프레임워크를 제공한다. 이미지 재구성, 디블러링, 초해상도에 대한 실험은 상당한 속도 향상과 향상된 이미지 품질을 보여준다.

arXiv:2602.00176v2cs.CV공통 태그 inverse problems, posterior sampling

확산 역문제를 위한 노이즈 조건 주파수 노출을 이용한 사후 연속

Posterior Continuation with Noise-Conditioned Frequency Exposure for Diffusion Inverse Problems

확산 사후 샘플링은 사전학습된 확산 사전과 측정 일관성 가이던스를 결합하여 역문제를 해결합니다. 그러나 전 대역 가이던스는 높은 노이즈 수준에서 신뢰할 수 없을 수 있으며, 이 경우 깨끗한 추정치에는 스코어 유발 오류가 포함되고 고주파 측정 방향은 식별이 어렵습니다. 우리는 사후 가이던스가 순간 확산 노이즈 수준에 따라 측정 주파수를 노출해야 한다고 주장합니다. 이 원칙을 기반으로, 우리는 현재 신뢰할 수 있는 주파수 대역을 강조하는 가능도(likelihood)를 가진 중간 사후 분포의 집합을 구성하고 점차 전 대역 일관성으로 돌아가는 사후 연속 프레임워크를 제안합니다. 우리는 확산 예측기, 주파수 제한 가능도 정제, 그리고 신뢰할 수 있는 거친 보정을 반영하고 식별이 어려운 세부 사항은 연기하는 Haar 영역 커밋 규칙을 결합한 안정화된 샘플러를 통해 이 프레임워크를 구체화합니다. 초해상도, 인페인팅, 디블러링 전반에서, 우리의 방법은 FFHQ 및 ImageNet 평가 시 강력한 베이스라인 대비 모션 디블러링에서 최대 5 dB PSNR 향상을 포함하여 최신 수준과 대등하거나 경쟁력 있는 복원 성능을 달성합니다.

arXiv:2606.12710v1cs.LG공통 태그 inverse problems, posterior sampling

확산 기반 사후 샘플링을 위한 안정화된 경로 공간 접근법

A Stabilized Path-Space Approach to Diffusion-Based Posterior Sampling

확산 모델은 베이즈 역문제(Bayesian inverse problems)를 위한 표현력 있는 데이터 기반 사전 분포를 제공하지만, 많은 확산 사후 샘플러(diffusion posterior sampler)는 비선형 연산자와 다중 모드(multimodal) 사후 분포에서 실패할 수 있는 휴리스틱 가이드 근사에 의존한다. 본 연구에서는 확산 기반 사후 샘플링을 위한 안정화된 경로 공간(path-space) 프레임워크를 개발한다. 말단 주변 분포(terminal marginal)가 사전 분포를 나타내는 기저 확산 과정에서 출발하여, 궤적 상의 가능도 가중 목표 측도(likelihood-weighted target measure)를 정의하고, 사후 샘플링을 경로 측도가 이 목표와 일치하는 제어된 확률 과정을 학습하는 문제로 형식화한다. 이 정식화는 불확실성 정량화에 필요한 베이즈 구조를 보존하면서 확산 사후 샘플링을 확률적 최적 제어(stochastic optimal control)와 연결한다. 우리는 보조적인 학습 없이 미지의 초기 값 함수로 인한 편향을 제거함으로써 경로 공간 제어 문제를 적절히 정치(well posed)하게 만드는 시간 재매개변화(time reparameterization)를 도입한다. 이후 로그 분산(log-variance) 목적함수를 사용하는 신뢰 영역(trust-region) 경로 공간 최적화 방법을 통해 제어를 학습한다. 경로 공간 관점은 또한 학습된 제어 접근법을 기존의 가이드 기반 샘플러와 통합하고, 근사 제어로 인해 유도되는 샘플링 오류를 정량화하며, 점근적으로 정확한(asymptotically exact) 사후 기댓값을 위한 중요도 샘플링 보정을 제공한다. 제안된 프레임워크를 분석적으로 특성화된 또는 고품질 참조 사후 분포를 갖는 벤치마크 역문제 모음에서 평가하여, 샘플링 정확도와 불확실성 정량화에 대한 원칙적인 평가를 가능하게 한다. 이 실험들은 확산 기반 사후 샘플러의 동작에 대한 통찰을 제공하고 선도적인 접근법들에 비해 향상된 정확도와 견고성을 입증한다.

arXiv:2602.09730v4cs.CV공통 태그 inverse problems

크라클레르의 매력: 회화 작품 균열 감지를 위한 변분-생성 접근법

Allure of Craquelure: A Variational-Generative Approach to Crack Detection in Paintings

최근 이미징 기술, 딥러닝 및 수치적 성능의 발전은 예술 작품에 대한 비침습적 상세 분석을 가능하게 하여, 작품의 기록과 보존을 지원합니다. 특히, 디지털화된 회화 작품에서 크라클레르(craquelure)의 자동 감지는 열화 평가 및 복원 지도에 필수적이지만, 잠재적으로 복잡한 배경과 균열 및 붓터치나 머리카락과 같은 균열 유사 예술적 특징 간의 시각적 유사성으로 인해 여전히 어려운 과제로 남아 있습니다. 본 연구에서는 균열 감지를 역문제(inverse problem)로 모델링하여 관찰된 이미지를 균열이 없는 회화 작품과 균열 성분으로 분해하는 하이브리드 접근법을 제안합니다. 심층 생성 모델(deep generative model)은 기저 예술 작품에 대한 강력한 사전(prior)으로 활용되며, 균열 구조는 균열 사전과 함께 Mumford-Shah 형 변분 범함수를 사용하여 포착됩니다. 공동 최적화를 통해 회화 작품 내 균열 위치에 대한 픽셀 수준 맵을 산출합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.