KLIP: 역문제(Inverse Problems)에서 확산 사전 확률(diffusion priors)과 KL-divergence를 이용한

확산 모델(Diffusion models)은 계산 영상학(computational imaging)을 위한 데이터 기반 사전 확률(data-driven priors)로서 유망한 성능을 보여주었을 뿐만 아니라, 분포 외(out-of-distribution, OOD) 이미지를 탐지하는 능력도 일부 갖추고 있습니다. 그러나 기존의 OOD 탐지 방식은 종종 변화된 분포(shifted distribution)에 대한 지식을 필요로 하며, 미세하거나 국소적인 분포 변화(localized distribution shifts)를 탐지하는 데 실패하고, 역문제(inverse problems)에서 사용 가능한 간접 측정값(indirect measurements) 대신 전체 이미지(full images)를 대상으로 작동한다는 한계가 있습니다. 본 논문에서는 확산 사전 확률(diffusion prior)과 사후 분포(posterior distribution) 사이의 Kullback-Leibler divergence (KL-divergence)에 기반한 OOD 탐지 지표를 제안합니다. 이 지표는 (i) 어떠한 교정 데이터(calibration data)나 변화된 분포에 대한 지식도 필요로 하지 않으며, (ii) 전체 이미지를 OOD로 탐지할 수 있을 뿐만 아니라 이미지 내의 OOD 패치(patches)를 국소화(localize)할 수 있습니다. 실험을 통해, 우리는 이 지표가 건강한 간 CT 스캔에서 종양이 있는 스캔으로의 변화와 같이 미세하지만 의미론적으로 중요한 분포 변화를 탐지할 수 있으며, 다양한 유형의 확산 모델(diffusion models), 데이터셋 및 역문제(inverse problems)에 걸쳐 일반화될 수 있음을 보여줍니다. 우리의 코드는 https://github.com/voilalab/KLIP 에서 확인할 수 있습니다.