CoGuide: Gu´ıa de Difusi´on Contrastiva para Problemas Inversos Espaciales

Abstract

Los problemas inversos buscan recuperar señales limpias a partir de medidas corruptas. Sin embargo, métodos actuales como el muestreo a posteriori por difusión (DPS) fallan drásticamente cuando el operador de degradación es desconocido. Este proyecto desarrolla un marco generativo robusto basado en aprendizaje contrastivo (CL-DPS) para resolver problemas inversos ciegos. Entrenando un modelo fundacional (MoCo) que proyecta múltiples degradaciones visuales en un espacio latente continuo, aproximamos la función de verosimilitud sin requerir parámetros matemáticos del operador. Los resultados demuestran que, frente a la inestabilidad del DPS ante operadores erróneos, CL-DPS mantiene una alta fidelidad perceptiva, logrando reconstrucciones estables e invariantes al desajuste paramétrico.Inverse problems seek to recover clean signals from corrupted measurements. However, current methods like Diffusion Posterior Sampling (DPS) fail drastically when the degradation operator is unknown. This project develops a robust generative framework based on contrastive learning (CL-DPS) to solve blind inverse problems. By training a foundational model (MoCo) that projects multiple visual degradations into a continuous latent space, we approximate the likelihood function without requiring mathematical parameters of the operator. Results demonstrate that, compared to the instability of DPS under incorrect operators, CL-DPS maintains high perceptual fidelity, achieving stable reconstructions that are invariant to parametric mismatch.