L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-20
Résoudre les problèmes inverses via des a priori à base de diffusion : une approche d'échantillonnage d'ensemble sans approximation
Titre original: Solving Inverse Problems via Diffusion-Based Priors: An Approximation-Free Ensemble Sampling Approach
Les modèles de diffusion sont largement utilisés pour représenter des a priori complexes dans les problèmes inverses bayésiens, mais les méthodes existantes d'échantillonnage a posteriori reposent sur des approximations heuristiques du processus génératif. Les auteurs proposent un algorithme à base d'ensembles, motivé par la combinaison des modèles de diffusion avec le Monte Carlo séquentiel, qui réalise un échantillonnage a posteriori sans approximations heuristiques. Ils démontrent que l'erreur entre la vraie loi a posteriori et la distribution empirique des échantillons générés peut être bornée par l'erreur d'entraînement de la fonction de score pré-entraînée et par le nombre de particules, et, sur plusieurs problèmes inverses d'imagerie, la méthode fournit des reconstructions plus précises que les méthodes existantes fondées sur des modèles de diffusion.