高斯即是你所需：通过扩散后验采样解决逆问题的统一框架
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
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
最新的扩散模型为嘈杂的线性反问题提供了一种无需为特定反问题重新训练的有希望的零样本解决方案。本文首次从条件抽样的逆扩散过程的条件后验均值的近似角度解释了现有的零照片方法。我们揭示了最新方法相当于对给定扩散嘈杂图像的干净图像的不可行后验分布进行各向同性高斯近似，唯一的不同在于各向同性后验协方差的手工设计。受此发现的启发，我们提出了一种基于最大似然估计的通用即插即用后验协方差优化方法，以改善最新方法。为了实现无需重新训练的最优后验协方差，我们提供了基于两种方法的通用解决方案，这两种方法专门设计用于利用具有和不具有逆协方差的预训练模型。实验结果表明，所提出的方法显著提高了最新方法的整体性能或对超参数的鲁棒性。可在此链接获取代码。
Feb, 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
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
扩散模型在解决各种逆问题方面取得了显著进展，通过数据流形的生成建模能力，从条件得分函数中进行后验抽样实现了由基于测量的可能性项认证的宝贵数据一致性。然而，大多数流行方法限制于测量模型的确定性退化过程，而不考虑现实世界中的善变不可预测的干扰。为了解决这个障碍，我们表明可以通过相反的概率图方向，通过基于恢复的可能性进行恢复，从而更新基于测量的可能性，借助各种现成的恢复模型并将严格的确定性退化过程扩展为具有所谓恢复引导的可调谐的聚类过程。特别是与各种可选的原型组装在一起，我们可以为不同的样本质量选择提供大量选择解决逆问题，并实现具有可靠实际保证的退化控制。我们展示了我们的工作与逆问题求解器领域中从分类器引导到无分类器引导的过渡形式上的正式类似性。对各种逆问题的实验证明了我们方法的有效性，包括图像去雾、雨痕去除和运动去模糊。
Jul, 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