Tempered Guided Diffusion: 훈련 없이 조건부 샘플링을 위한 새로운 접근법

훈련 없는 조건부 확산 (Training-free conditional diffusion) 은 특정 작업에 특화된 모델 훈련의 유연한 대안이지만, 기존 샘플러는 계산 효율성을 낮게 할당하는 경향이 있습니다. 독립적인 가이드 궤적은 품질이 크게 달라질 수 있으며, 단일 궤적 내 추가 함수 평가는 초기 결정이 나쁜 경우 회복을 보장하지 않습니다.

우리는 훈련 없는 조건부 샘플링을 위한 확산 사전 (diffusion priors) 을 사용하는 Annealed Sequential Monte Carlo 프레임워크인 Tempered Guided Diffusion (TGD) 를 제안합니다. TGD 는 깨끗한 신호에 대한 tempered posterior 분포를 목표로 하며, 노이즈된 확산 상태는 재구성 및 입자 전파의 보조 변수로만 사용됩니다.

입자는 점진적 확률비율 (incremental likelihood ratios) 로 가중치를 부여받고, 재표본 추출되며, 노이즈 수준을 가로지르며 전파됩니다. 이는 사전과 관찰 모두에 합리적인 궤적을 집중합니다. 이상화된 완전 재구성 가정 하에, 입자 수의 증가에 따라 전체 TGD 는 후방 분포에 일관된 입자 근사를 제공합니다.

昂가 (Expensive) 재구성 작업에서 Accelerated TGD (A-TGD) 는 초기 입자 탐색을 유지하되, 샘플링 중 일부 단계에서 단일 고확률 궤적으로 자릅니다. 통제된 2 차원 역문제 및 이미지 역문제 실험은 독립적 다궤적 기준선 (independent multi-trajectory baselines) 과 비교하여 개선된 후방 근사 및 유리한 벽시계 속도-품질 트레이드오프를 보여줍니다.