高效零样本图像填充：解耦扩散引导
计算机视觉与模式识别
2026-04-30 v2 机器学习
摘要
扩散模型已成为图像编辑任务（如图像填充和局部修改）中强大的先验，其中目标是生成与观察区域保持一致的真实内容。特别是，零样本方法利用预训练扩散模型且无需任何重新训练，已被证明能够实现高度有效的重建。然而，当前最先进的零样本方法通常依赖一系列代理似然函数，其分数用作理想分数的代理。这一程序然而要求在每个逆向步骤上对 denoiser 进行向量-雅可比积，引入了显著的内存和运行时开销。为此，我们提出了一种新的似然代理，其结果为简单高效的采样高斯后验转换，从而规避了通过 denoiser 网络的反向传播。我们的大量实验表明，该方法在观察一致性方面优于微调基线，同时显著降低了推理成本，产生连贯、高质量的重建。代码已公开于 https://github.com/YazidJanati/ding。
引用
@article{arxiv.2512.18365,
title = {Efficient Zero-Shot Inpainting with Decoupled Diffusion Guidance},
author = {Badr Moufad and Navid Bagheri Shouraki and Alain Oliviero Durmus and Thomas Hirtz and Eric Moulines and Jimmy Olsson and Yazid Janati},
journal= {arXiv preprint arXiv:2512.18365},
year = {2026}
}