条件生成式压缩感知的主动学习

生成式压缩感知使用预训练生成器的取值范围作为从有限测量中恢复结构化信号的非线性模型。我们研究了此问题的条件版本，用于基于子采样傅里叶测量使用提示条件生成式模型进行图像恢复。我们的框架分离两种条件角色：用于设计抽样分布的提示，以及用于定义恢复模型的提示。对于 ReLU 和 Lipschitz 条件生成器，我们证明了稳定恢复界，表明提示匹配的 Christoffel 抽样保留了与现有近最优生成式压缩感知理论相同的 Christoffel 复杂度常数，而提示不匹配则导致显式的兼容性惩罚。使用 Stable Diffusion 实验表明，提示在实质性地重塑 Christoffel 抽样分布并影响图像恢复方面具有意义。总体而言，我们的结果表明，提示应被视为具有不同作用于感知、近似和恢复的设计变量。