利用基于流匹配的生成模型解决线性逆问题的迭代算法，通过近似最大后验估计，有效地优化多个局部目标，实现了超分辨率、去模糊、修补缺失和压缩感知等线性逆问题的优于流匹配的方法。
May, 2024
构建快速采样器以进行无条件扩散和流匹配模型近期备受关注；然而，现有方法在解决超分辨率、修复或去模糊等逆问题时仍需要数百到数千次迭代步骤以获得高质量结果。我们提出了一种插拔式框架用于构建逆问题的高效采样器，只需要预先训练的扩散模型或流匹配模型。我们提出了条件共轭积分器，利用逆问题的具体形式将各自的条件扩散 / 流动动力学投影到更易处理的采样空间中。我们评估了所提方法在多个数据集上的各种线性图像修复任务的性能，采用了扩散和流匹配模型。尤其是在 ImageNet 数据集上的 4 倍超分辨率等具有挑战性的逆问题中，我们的方法能够在仅 5 个条件采样步骤中生成高质量样本，并优于需要 20-1000 步的竞争基准。我们的代码和模型将在此 https URL 公开。
本文提出了一种基于流模型的方法来估计条件密度并解决逆问题，并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。
Feb, 2020
NaturalInversion 是一种基于模型反演的新颖方法，能够在不使用真实数据的情况下生成与原始数据分布非常吻合的图像，并在 CIFAR-10/100 分类器上生成的图像在可视化和其他分析中表现出更好的一致性和效果。
Jun, 2023
基于动态测量输运的生成模型通过学习常微分方程或随机微分方程，将初始条件从已知基础分布推导到目标分布。我们介绍了流图匹配算法，通过学习潜在常微分方程的双时间流图，得到了一个高效的几步生成模型，其步数可以根据精度和计算成本进行灵活的调节。与扩散模型或随机插值方法相比，流图匹配方法能够以显著降低的采样成本生成高质量样本。
Jun, 2024
本文提出了一种在预训练自编码器的潜在空间中应用流匹配的方法，以实现高分辨率图像合成的计算效率和可扩展性的提高，并将各种条件集成到流匹配中进行条件式生成任务，包括标签条件下的图像生成、图像修复和语义到图像的生成。通过大量实验，本方法在各种数据集上均具有定量和定性的有效性，并提供了重构潜在流分布与真实数据分布之间 Wasserstein-2 距离的理论控制。
Jul, 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
该研究利用归一化流先验研究了图像反问题，将解视为基于测量的图像后验概率最大化估计，通过噪声模型和非线性正演算子验证了该方法在各种反问题中的有效性，并初步解决了带有流先验的反问题的理论恢复保证问题。
Mar, 2020
探究如何在不知道正向模型改变详情的情况下，使用简单的模型适应方法，使得深度神经网络在计算成像的各种逆问题中，包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面，取得实证成功。
Nov, 2020
大规模扩散模型在生成任务中取得了显著的性能。矫正流是一种新的生成模型类别，在各个领域展现出了优越的性能。通过理论和实验证据，我们展示了基于矫正流的方法与扩散模型具有相似的功能，可以作为有效的先验。此外，基于矫正流的先验方法在图像反转方面表现出优越的性能。