IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-20
Resolução de problemas inversos via priors baseados em difusão: uma abordagem de amostragem por ensemble sem aproximações
Título original: Solving Inverse Problems via Diffusion-Based Priors: An Approximation-Free Ensemble Sampling Approach
Modelos de difusão são amplamente usados para representar distribuições a priori complexas em problemas inversos bayesianos, mas os métodos existentes de amostragem a posteriori dependem de aproximações heurísticas do processo generativo. Os autores propõem um algoritmo baseado em ensemble, motivado pela combinação de modelos de difusão com Monte Carlo sequencial, que realiza amostragem a posteriori sem aproximações heurísticas. Eles provam que o erro entre a distribuição a posteriori verdadeira e a distribuição empírica das amostras geradas pode ser limitado pelo erro de treinamento da função de score pré-treinada e pelo número de partículas, e, em vários problemas inversos de imagem, o método fornece reconstruções mais precisas do que os métodos existentes baseados em modelos de difusão.