La IA y los problemas difíciles del mundo · Informática teórica · arXiv · 2026-10-20
Resolución de problemas inversos mediante previos basados en difusión: un enfoque de muestreo de ensamble sin aproximaciones
Título original: Solving Inverse Problems via Diffusion-Based Priors: An Approximation-Free Ensemble Sampling Approach
Los modelos de difusión se utilizan ampliamente para representar distribuciones a priori complejas en problemas inversos bayesianos, pero los métodos existentes de muestreo a posteriori se basan en aproximaciones heurísticas del proceso generativo. Los autores proponen un algoritmo basado en ensembles, motivado por combinar modelos de difusión con Monte Carlo secuencial, que realiza muestreo a posteriori sin aproximaciones heurísticas. Demuestran que el error entre la distribución a posteriori verdadera y la distribución empírica de las muestras generadas puede acotarse por el error de entrenamiento de la función de score preentrenada y el número de partículas, y en varios problemas inversos de imagen el método proporciona reconstrucciones más precisas que los métodos existentes basados en modelos de difusión.