POLARIS: Projectie-Orthogonaal Kleinste Kwadraten voor Robuuste en Adaptieve Inversie in Diffusiemodellen
POLARIS: Projection-Orthogonal Least Squares for Robust and Adaptive Inversion in Diffusion Models
November 29, 2025
Auteurs: Wenshuo Chen, Haosen Li, Shaofeng Liang, Lei Wang, Haozhe Jia, Kaishen Yuan, Jieming Wu, Bowen Tian, Yutao Yue
cs.AI
Samenvatting
Het Inversie-Denoiseringsparadigma, dat gebaseerd is op diffusiemodellen, blinkt uit in diverse beeldbewerkings- en restauratietaken. Wij herbezien het onderliggende mechanisme en leggen een kritieke, over het hoofd gezien factor in reconstructieverval bloot: de benaderingsfout in ruis. Deze fout ontstaat door de ruis bij stap t te benaderen met de voorspelling bij stap t-1, wat leidt tot ernstige foutaccumulatie gedurende het inversieproces. Wij introduceren Projection-Orthogonal Least Squares for Robust and Adaptive Inversion (POLARIS), dat inversie herformuleert van een foutcompensatieprobleem naar een foutoorsprongsprobleem. In plaats van embeddings of latente codes te optimaliseren om geaccumuleerde drift te compenseren, behandelt POLARIS de begeleidingsschaal ω als een stap-variabele en leidt een wiskundig onderbouwde formule af om de inversiefout bij elke stap te minimaliseren. Opmerkelijk genoeg verbetert POLARIS de kwaliteit van de inverse latentie met slechts één regel code. Met een verwaarloosbare prestatie-overhead vermindert het substantieel de ruisbenaderingsfouten en verbetert het consistent de nauwkeurigheid van downstreamtaken.
English
The Inversion-Denoising Paradigm, which is based on diffusion models, excels in diverse image editing and restoration tasks. We revisit its mechanism and reveal a critical, overlooked factor in reconstruction degradation: the approximate noise error. This error stems from approximating the noise at step t with the prediction at step t-1, resulting in severe error accumulation throughout the inversion process. We introduce Projection-Orthogonal Least Squares for Robust and Adaptive Inversion (POLARIS), which reformulates inversion from an error-compensation problem into an error-origin problem. Rather than optimizing embeddings or latent codes to offset accumulated drift, POLARIS treats the guidance scale ω as a step-wise variable and derives a mathematically grounded formula to minimize inversion error at each step. Remarkably, POLARIS improves inversion latent quality with just one line of code. With negligible performance overhead, it substantially mitigates noise approximation errors and consistently improves the accuracy of downstream tasks.