受约束的粒子寻优：仅通过正向传播求解扩散逆问题
机器学习
2026-03-03 v1 机器学习
摘要
扩散模型因其建模复杂数据分布的能力，日益成为解决逆问题的强大生成工具。然而，现有方法通常依赖完整的正向观测过程知识才能计算引导采样的梯度，限制了其在此类信息不可用场景的适用性。在本工作中，我们引入了\textbf{\emph{受约束粒子寻优 (Constrained Particle Seeking, CPS)}}，这是一种新型无梯度方法，利用所有候选粒子信息主动搜索最优粒子，并纳入与无条件先验高密度区域相吻合的约束。与之前依赖被动选择优势候选者的方法不同，CPS 将逆问题重新表述为约束优化任务，从而实现更灵活和高效的粒子寻优。我们展示了CPS能够有效求解图像和科学逆问题，在相当程度上与梯度基方法相当，同时显著优于无梯度替代方案。代码已公开于 https://github.com/deng-ai-lab/CPS。
引用
@article{arxiv.2603.01837,
title = {Constrained Particle Seeking: Solving Diffusion Inverse Problems with Just Forward Passes},
author = {Hongkun Dou and Zike Chen and Zeyu Li and Hongjue Li and Lijun Yang and Yue Deng},
journal= {arXiv preprint arXiv:2603.01837},
year = {2026}
}
备注
Accepted by AAAI 2026