通过使用经过训练的潜在扩散模型来解决一般逆问题，并采用数据一致性来提高效率和灵活性，从而为医学成像等领域应用先验提供了可行性。

Jul, 2023

本文提出一种扩展扩散模型求解广泛的噪声非线性逆问题的方法，该方法利用后验采样实现扩散采样和流形约束梯度融合，并适用于各种噪声统计和非线性问题，代码公开。

Sep, 2022

我们提出了第一个框架，利用预先训练好的潜在扩散模型来解决线性反问题。在理论和实验分析中，我们都展现出在各种问题中都优于先前提出的后验采样算法，包括随机修补、块修补、去噪、去模糊处理、去除条纹和超分辨率。

Jul, 2023

本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

May, 2023

本研究通过引入一种新的统一的架构，将深度学习和变分框架相结合，探讨和比较各种生成式深度学习方法，以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性，包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的物理约束条件。与现有方法相比，这种统一方法的误差更小，达到了绝对误差的二十倍和传统潜变扩散模型的三倍。

May, 2023

我们提供了一个用于解决扩散模型的反问题的框架，该框架可以从线性损坏的数据中学习。我们的方法是环境扩散后验采样（A-DPS），利用在一种类型的损坏上进行预训练的生成模型，在来自可能不同的前向过程的测量条件下进行后验采样。我们在标准的自然图像数据集上测试了我们的方法（CelebA、FFHQ 和 AFHQ），并且我们表明 A-DPS 在速度和性能上有时可以超过在干净数据上训练的模型进行几项图像修复任务。我们进一步扩展了环境扩散框架，用访问仅限于傅里叶子采样的多线圈 MRI 测量，加速因子为 2、4、6、8 来训练 MRI 模型。我们再次观察到，在高加速度区间内，与在完全采样数据上训练的模型相比，训练在高度子采样数据上的模型更适用于解决反问题。我们开源了我们的代码和训练的环境扩散 MRI 模型。

Mar, 2024

本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

Jun, 2023

提出了一种新颖有效的扩散采样策略，将样本分解为在清洁数据流形上投影得到的 “去噪” 部分和诱导样本向下一级噪声流形过渡的 “噪声” 部分，可以更快和更精确地进行采样。在挑战性的实际医学逆成像问题中实现了最先进的重构质量，并且比以前的最先进方法快 80 倍以上。

Mar, 2023

逆问题研究中的生成模型，特别是扩散模型，对于确定参数具有重要作用。然而，扩散模型对方差调度的选择非常敏感，我们提出了一种新的方法，通过学习过程中训练方差调度，避免了费时的优化过程并得到更好的结果。

Dec, 2023

本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决 3D 医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练 2D 扩散模型压缩感知 MRI 等。我们在测试时提出了 2D 扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通 GPU 上运行，并且在最极端情况下（例如 2 视的 3D 断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

Nov, 2022