基于证明可靠性的分数传播后验采样用于即插即用图像重建
本文提出了将基于分数的扩散模型转化为原则性先验（`` 基于分数的先验 '）来分析给定测量的后验图像的方法。实验结果表明，基于分数的先验使得数据驱动图像先验的归纳推理变得更加精细。
Apr, 2023
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
该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。
Oct, 2021
评分扩散模型（SDM）提供了一种灵活的方法，用于在各种贝叶斯反问题中从后验分布中采样。本文针对线性反问题，证明了完全绕过前向映射评估，在后验样本生成中将计算任务转移到训练特定扩散式随机过程分数的离线任务上的可行性。情况下的得分，通过适当的仿射变换，可以从辅助得分得到。通过数值分析和实验验证了这一观察的普遍性。
May, 2024
在这项研究中，我们介绍了一种能够在函数空间中解决贝叶斯逆问题的抽样方法，它不需要似然函数的对数凹性，可以用于非线性逆问题。该方法利用了最近定义的无限维度基于得分的扩散模型作为基于学习的先验，并通过在函数空间上定义的 Langevin 类型的 MCMC 算法实现可证明的后验采样。我们进行了一项新颖的收敛性分析，受传统正则化 - 去噪算法中建立的不动点方法的启发，并与加权模拟退火兼容。所得到的收敛界明确依赖于得分的逼近误差；良好逼近的得分对于获得良好逼近的后验至关重要。我们提供了基于样式和基于 PDE 的示例，证明了我们的收敛性分析的有效性。最后，我们讨论了学习得分和计算复杂性方面的挑战。
May, 2024
我们提出了一种替代函数，用于有效地利用基于分数的先验对贝叶斯逆向成像进行建模。我们的替代先验在变分推断中对大型图像进行了高效的近似后验采样，并且相比先前方法的精确先验，至少将变分图像分布优化的速度加快了两个数量级。我们还发现，我们的方法在推理中实现了比涉及超参数调整的非贝叶斯基线更高保真度的图像。我们的研究为将基于分数的扩散模型作为成像的通用先验提供了实用的途径。
Sep, 2023
本文介绍了一种新的基于 Plug-and-Play 的图像重建方法 Generative Plug-and-Play (GPnP)，其通过使用扩展的先验模型和物理模型来进行样本采样，实验结果表明该方法在稀疏插值和层析重建方面具有鲁棒性和实用性。
Jun, 2023
利用新颖的评分匹配损失，我们提出了一种基于粒子迭代方案的粒子去噪扩散取样器（PDDS），它能够在温和假设下提供渐近一致的估计，我们在多模态和高维取样任务上演示了 PDDS。
Feb, 2024