ИИ и сложнейшие проблемы мира · Теоретическая информатика · arXiv · 2026-10-20
Решение обратных задач с помощью диффузионных априорных распределений: подход с ансамблевым сэмплированием без аппроксимаций
Оригинальное название: Solving Inverse Problems via Diffusion-Based Priors: An Approximation-Free Ensemble Sampling Approach
Диффузионные модели широко используются для представления сложных априорных распределений в байесовских обратных задачах, но существующие методы апостериорного сэмплирования опираются на эвристические приближения процесса генерации. Авторы предлагают ансамблевый алгоритм, вдохновленный сочетанием диффузионных моделей с последовательным методом Монте-Карло, который выполняет апостериорное сэмплирование без эвристических приближений. Они доказывают, что ошибку между истинным апостериорным распределением и эмпирическим распределением сгенерированных выборок можно ограничить сверху ошибкой обучения предобученной score-функции и числом частиц, а на нескольких обратных задачах обработки изображений метод дает более точные реконструкции, чем существующие методы на основе диффузионных моделей.