(Maths-IA) Flow Matching Meets Denoising: A Plug-and-Play Approach to Inverse Problems

Dans cette présentation, nous explorons les liens entre l’adaptation des flux et

réduction du bruit, et montrer comment ces liens peuvent être exploités pour résoudre l’imagerie

des problèmes inverses tels que la super-résolution et l’inpainting. Nous commençons par

une brève introduction aux modèles génératifs d’appariement de flux, et rappelons le

Formulation classique des problèmes inverses, ainsi que des non- standards

des approches génératives, avec un accent sur le cadre Plug-and-Play (PnP).

Nous introduisons ensuite PnP-Flow, une méthode qui fait le lien entre l’adaptation de flux et PnP.

Notre approche construit un dénoyauteur dépendant du temps à partir d’un pré-entraîné

modèle d’adaptation de flux, et l’intègre dans un schéma itératif

en combinant les mises à jour de fidélité des données, les reprojections sur la trajectoire du flux,

et des marches de réduction du bruit. L’algorithme résultant est efficace, mémoire-

convivial, et atteint de fortes performances sur une gamme d’inverses

des problèmes.

La deuxième partie de la conférence porte sur la façon d’entraîner un génératif efficace

Des dénoiseurs et fournissent des conseils pratiques. En particulier, nous

Étudier l’impact de la pondération temporelle sur la perte, ainsi que le

Paramétrisation du réseau de neurones (par exemple, prédire la vitesse,

le bruit, ou le signal dénudé). Bien que ces formulations soient

Théoriquement équivalent sous un entraînement parfait, nous montrons qu’ils mènent

à des performances empiriques nettement différentes.