DAPS++：通过解耦后验退火重想 diffusion 逆问题
人工智能
2026-05-13 v3 图像与视频处理
机器学习
摘要
从贝叶斯视角看，基于评分的扩散模型通过联合推断解决逆问题，将似然与先验嵌入以引导采样过程。然而，这种表述无法解释其实际行为：先验提供的指导有限，而重建主要由测量一致性术语驱动，导致推理过程实际上与扩散动力学解耦。我们指出，扩散先验在这些求解器中主要作为将估计置于数据流形附近的温和初始化器，而重建几乎完全由测量一致性驱动。基于此观察，我们提出了\textbf{DAPS++}，完全解耦基于扩散的初始化与似然驱动的细化，使似然项能更直接地指导推理，同时保持数值稳定性并阐明为何统一扩散轨迹在实践中仍然有效。通过减少函数评估次数（NFEs）和测量优化步骤，\textbf{DAPS++}实现了高计算效率和稳健的重建性能，涵盖多样化的图像修复任务。
引用
@article{arxiv.2511.17038,
title = {DAPS++: Rethinking Diffusion Inverse Problems with Decoupled Posterior Annealing},
author = {Hao Chen and Renzheng Zhang and Scott S. Howard},
journal= {arXiv preprint arXiv:2511.17038},
year = {2026}
}