Abstract
プラグ・アンド・プレイ（PnP）手法は、最適化アルゴリズムにデノイザを組み込むことで画像の逆問題を解くために広く用いられています。スコアベースの拡散モデル（SBDM）は、幅広いノイズ水準にまたがって学習されたデノイザにより、近年強力な生成性能を示しています。デノイザへの依存を共有しているにもかかわらず、逆拡散サンプリングに頼らずに、PnPフレームワーク内でSBDMを事前分布（prior）として体系的に利用する方法は、いまだ明確ではありません。本論文では、PnPのスコアベースの解釈を確立し、学習済みのSBDMをPnPアルゴリズム内に直接用いることを正当化します。この関係に基づいて、ノイズを注入し、表現力の高い生成SBDMの事前分布をより効果的に活用することで、著しく難しい（ill-posed）逆問題に対する頑健性を向上させる確率的生成PnP（SGPnP）フレームワークを提案します。さらに、ノイズ注入がガウスで平滑化された目的関数に対する最適化を誘起し、厳密な鞍点からの脱出を促すことを示す新しい理論を提示します。マルチコイルMRI再構成や、大きなマスクによる自然画像のインペインティングといった困難な逆問題に対する実験では、従来のPnP手法に対して一貫した改善が示され、拡散ベースのソルバと競争力のある性能を達成することが確認されます。
