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
通过扩散后验抽样的方法，我们提出了一种解决非线性 CT 图像重建的逆问题的新方法，该方法结合了训练先验评分函数的传统无条件扩散模型和根据非线性物理模型导出的测量似然评分函数，可以用于采样逆向扩散过程。此方法允许将扩散为基础的先验与广义的非线性 CT 图像重建结合到具有不同正向模型的多个 CT 系统设计中，无需任何额外的训练。
Dec, 2023
本文研究了扩散生成模型的后验采样问题，提出了一种相对轨迹均衡的数据无关学习目标，并将其应用于视觉、语言和控制等领域，展示了其在生成建模和离线强化学习中的潜力。
May, 2024
利用去噪扩散模型（DDM）作为先验来解决逆贝叶斯问题的兴趣最近显著增加。本研究采用不同方法，利用 DDM 先验的特定结构定义了一组中间和简化的后验采样问题，相比以前的方法，降低了近似误差。我们通过使用合成示例和各种图像恢复任务来经验性地展示了我们方法的重建能力。
Mar, 2024
本研究提出了一种算法框架，用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP)，交替调用两个采样器，一个仅基于前向模型的似然函数的邻近一致性采样器，另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了 DPnP 在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证，并通过数值实验证明了其潜力。
本研究研究了来自已知先验分布的信号的压缩感知的测量复杂性，即使先验的支撑是整个空间（而不是稀疏向量）。对于高斯测量和信号上的任何先验分布，我们展示了后验抽样估计器可以实现近乎最优的恢复保证，在模型不匹配的情况下，只要分布估计（例如，从可逆生成模型中）与 Wasserstein 距离中的真实分布接近。我们使用 Langevin 动力学为深度生成先验实现了后验抽样估计器，并实验性地发现，它产生的准确估计具有比 MAP 更多的多样性。
Jun, 2021
本研究探讨了通过反向扩散的后验采样潜力，提供了一种新的后验采样算法，其可有效解决高维采样问题，并提供了收敛分析和性能验证。
Jul, 2023
我们引入了后验蒸馏采样（PDS），这是一种基于扩散模型的参数图像编辑的新型优化方法。PDS 匹配源和目标的随机潜变量，实现在与源的生成过程轨迹对齐的情况下，采样与所需属性一致的多样化参数空间的目标。
Nov, 2023
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。
本文介绍了一种通过扩展扩散模型进行图像修复的新方法，该方法利用生成过程中与测量身份一致的样本，并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。
Feb, 2024