노이즈-주파수 연속성을 이용한 확산 후류 샘플링 안정화

Stabilizing Diffusion Posterior Sampling by Noise--Frequency Continuation

확산 후류 샘플링은 사전 학습된 확산 모델과 측정 일관성 지침을 결합하여 역 문제를 해결하지만, 측정 항이 확산 노이즈 수준과 약하게 결합되어 있어 종종 미세한 디테일을 복구하지 못합니다. 높은 노이즈 수준에서는 부정확한 추정치를 기반으로 계산된 데이터 일관성 기울기가 후류 기하학적 구조와 일치하지 않아 초기 단계에서 편향이 발생하고, 인위적인 고주파 노이즈가 생성되며, 스케줄 및 조건이 좋지 않은 연산자에 민감해지는 문제가 발생합니다. 이러한 문제를 해결하기 위해, 우리는 노이즈-주파수 연속성 프레임워크를 제안합니다. 이 프레임워크는 측정 일관성을 노이즈에 의존적인 주파수 대역 내에서만 강제하는 중간 후류의 연속적인 집합을 구성합니다. 이 원리는 안정화된 후류 샘플러를 통해 구현되며, 이는 확산 예측기, 대역폭 제한된 가능성 지침, 그리고 신뢰할 수 있는 거친 수정 사항을 적극적으로 적용하고, 고주파 디테일을 식별 가능해질 때만 보수적으로 채택하는 다중 해상도 일관성 전략을 결합합니다. 초해상, 인페인팅, 그리고 흐릿함 제거 작업에서, 우리의 방법은 최첨단 성능을 달성하며, 기존 방법보다 모션 디블러링 PSNR을 최대 5dB까지 향상시킵니다.

Diffusion posterior sampling solves inverse problems by combining a pretrained diffusion prior with measurement-consistency guidance, but it often fails to recover fine details because measurement terms are applied in a manner that is weakly coupled to the diffusion noise level. At high noise, data-consistency gradients computed from inaccurate estimates can be geometrically incongruent with the posterior geometry, inducing early-step drift, spurious high-frequency artifacts, plus sensitivity to schedules and ill-conditioned operators. To address these concerns, we propose a noise--frequency Continuation framework that constructs a continuous family of intermediate posteriors whose likelihood enforces measurement consistency only within a noise-dependent frequency band. This principle is instantiated with a stabilized posterior sampler that combines a diffusion predictor, band-limited likelihood guidance, and a multi-resolution consistency strategy that aggressively commits reliable coarse corrections while conservatively adopting high-frequency details only when they become identifiable. Across super-resolution, inpainting, and deblurring, our method achieves state-of-the-art performance and improves motion deblurring PSNR by up to 5 dB over strong baselines.