역문제(Inverse Problems)를 위한 일관성 정규화된 그래디언트 흐름 (Consistency Regularised Gradient

요약

본 논문은 Vision-Language Latent Diffusion Models(LDMs)를 활용하여 역문제(Inverse Problems)를 해결하기 위한 새로운 프레임워크를 제안합니다. 기존 LDM 기반 방법들이 높은 계산 비용과 복잡한 구조를 가졌던 단점을 개선하여, 사후 확률 샘플링과 프롬프트 최적화를 잠재 공간에서 하나의 흐름으로 통합했습니다. 이 새로운 유클리드-바서슈타인-2 그래디언트 흐름은 오토인코더 역전파 없이도 낮은 신경 함수 평가(NFE)로 높은 성능을 달성하여 효율성을 크게 향상시킵니다.

핵심 포인트

• LDMs를 활용한 역문제 해결에 새로운 통합 프레임워크를 제안함.
• 사후 확률 샘플링과 프롬프트 최적화를 잠재 공간에서 단일 흐름(single flow)으로 공동 수행함.
• 유클리드-바서슈타인-2 그래디언트 흐름을 사용하여 오토인코더 역전파 없이도 구현 가능함.
• 기존 방식 대비 계산 비용을 현저히 줄이면서 최첨단 성능(state-of-the-art performance)을 달성함.