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

提出一种名为“SSD”的新型反演流程，使用“Embryo”的概念进行前向过程，采用快捷路径，包括“输入-Embryo-输出”，在图像超分辨率、去模糊和上色等任务中实验有效性，探讨 DA 反演和反投影等一系列额外的生成一致性约束条件。与现有的 zero-shot 方法相比，只需30个NFEs就可取得竞争性的结果。

May, 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。

Jul, 2023

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

我们提出了一种名为“严重性编码”的新方法，通过在自编码器的潜在空间中估计噪声、退化信号的退化严重程度，从而在样本自适应推断时间、重建问题的难度上取得了显著性进展。同时，利用潜在扩散模型基于预测的退化严重程度来调整反向扩散采样轨迹，从而在维持与观测一致性的同时实现样本自适应的推断时间，与现有扩散法技术相比，我们的技术在计算效率方面有明显提升。

Sep, 2023

我们提出了一种使用文本到图像潜在扩散模型作为通用先验来解决图像逆问题的新方法。我们引入了一种 prompt 调整方法，通过在运行反向扩散过程时动态优化文本嵌入，使得我们能够生成更符合扩散先验的图像。此外，我们提出了一种投影方法，以保持潜在变量在编码器的范围空间内的演化，从而有助于减少图像伪影问题。我们的综合方法 P2L 在各种任务（如超分辨率、去模糊和修复缺失部分）上优于基于图像和潜在扩散模型的逆问题求解器。

Oct, 2023

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

通过解决复杂的非线性反问题，特别是在相位恢复中，我们提出了一种名为Decoupled Annealing Posterior Sampling（DAPS）的新方法，该方法通过新颖的噪声退火过程，解决了当前扩散取样过程难以纠正早期取样步骤错误而导致性能下降的问题，其探索了更大的解决方案空间，改进了准确重建的成功率。

Jul, 2024

本研究针对视频逆问题中时空降解的挑战，提出了一种创新的视频逆求解器，利用图像扩散模型进行求解。通过灵感来自近期的分解扩散采样器，研究方法在每个图像扩散模型的去噪时空批次中，优化时空问题，最终有效解决了视频逆问题中的多种时空降解，达到了最先进的重建效果。

Sep, 2024

本研究解决了现有扩散模型在图像恢复中的近似似然函数不足和计算效率低的问题。我们提出了一种统一的似然近似方法，通过引入协方差修正项来提高性能，并有效避免了在扩散模型中传播梯度。研究发现，该方法在真实自然图像数据集上的表现优于现有方案，显著改善了向真实数据后验的收敛性。

Sep, 2024