Uploads from ‍김성범[ 교수 / 산업경영공학부 ]

Currently Playing: [Open DMQA Seminar] Diffusion Inverse Problem

비약적인 생성형 모델의 발전은 이미지 생성뿐 아니라 다양한 복원 및 변환 문제로 확장되고 있다. 이와 관련하여 손상된 이미지를 복원하는 역문제(inverse problem)는 하나의 관측값에 대해 여러 가능한 해가 존재하는 문제이며, 사전지식(prior)과 관측값(observation)을 함께 활용하는 것이 중요하다. 최근에는 사전학습된 diffusion model을 prior로 활용하여 재학습 없이 역문제를 해결하려는 diffusion 기반 posterior sampling 방법들이 주목받고 있다. 그러나 이러한 방법들은 관측값을 만족시키는 동시에 자연스러운 이미지들이 존재하는 저차원 공간에 머무르도록 해야 하며, 각 timestep에서 이 두 조건을 어떻게 균형 있게 반영할 것인지가 중요한 과제로 남아있다. 본 세미나에서는 Diffusion Inverse Problem에 대한 기본 원리와 함께 DPS, MCG, DAPS와 같은 대표적인 방법론을 중심으로 그 핵심 아이디어와 한계를 소개한다. 참고자료 [1] Song, Y., Sohl-Dickstein, J., Kingma, D. P., Kumar, A., Ermon, S., & Poole, B. (2021) Score-Based Generative Modeling through Stochastic Differential Equations. In International Conference on Learning Representations. [2] Chung, H., Sim, B., Ryu, D., & Ye, J. C. (2022). Improving diffusion models for inverse problems using manifold constraints. In A. H. Oh, A. Agarwal, D. Belgrave, & K. Cho (Eds.), Advances in Neural Information Processing Systems (NeurIPS). [3] Wang, Y., Yu, J., & Zhang, J. (2023). Zero-shot image restoration using denoising diffusion null-space model. International Conference on Learning Representations (ICLR) [4] Chung, H., Kim, J., McCann, M. T., Klasky, M. L., & Ye, J. C. (2023). Diffusion posterior sampling for general noisy inverse problems. International Conference on Learning Representations (ICLR) [5] Zhang, B., Chu, W., Berner, J., Meng, C., Anandkumar, A., & Song, Y. (2025). Improving diffusion inverse problem solving with decoupled noise annealing. In Proceedings of the Computer Vision and Pattern Recognition Conference (pp. 20895-20905).