贝叶斯条件扩散模型用于逆问题
通过使用新的采样策略 Come-Closer-Diffuse-Faster (CCDF) 和现有的前馈神经网络方法相结合，本文在超分辨率、图像修补和压缩感知MRI等三个领域取得了最优的重建性能。
Dec, 2021
本次研究提出一种使用摊销条件受限SDMs学习无限维贝叶斯线性反问题的后验分布的方法，并且证明有条件的去噪估计器是无限维条件得分的一致估计，指出引入条件得分需要特别小心处理，同时证明所学习的分布对于观测的微小扰动是稳健的。
May, 2023
本研究提出了一种基于Feynman-Kac模型和顺序蒙特卡洛方法的算法MCGdiff，用于解决结构先验在Score-Based生成模型中的反问题，并在数值模拟中表现出优越性能。
Aug, 2023
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
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
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
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。
May, 2024
本研究解决了扩散模型在逆问题应用中的信息不足，提供了无监督先验的有效性综述。通过对现有方法的分类和比较，揭示了不同技术之间的联系，并讨论了使用潜在扩散模型面临的挑战与解决方案。这项工作为扩散模型与逆问题的结合提供了宝贵的参考资源。
Sep, 2024
本研究解决了在获取清晰数据成本高或不切实际的情况下，扩散模型训练的局限性。提出了一种基于原则期望最大化的框架，通过迭代学习来自任意类型噪声数据的扩散模型，显著提升了图像重建质量。实验结果显示，该方法在图像逆问题中，实现了高保真度扩散先验的有效学习。
Oct, 2024