Ensemble Kalman Diffusion Guidance：求解逆问题的无导数方法
机器学习
2025-06-04 v2 机器学习
摘要
求解逆问题时，越来越流行的做法是将预训练扩散模型作为即插即用先验。该框架可在不同前向模型之间无缝切换，同时保留扩散模型的生成能力。尽管在许多成像逆问题中取得成功，但大多数现有方法依赖特权信息，如导数、伪逆或对前向模型的完整了解。这种依赖限制了其在诸多仅能获取前向模型评估值的问题中的应用。我们提出 Ensemble Kalman Diffusion Guidance (EnKG)，一种无需导数的逆问题求解方法，仅需访问前向模型评估和预训练扩散模型先验。我们在各种逆问题中验证了 EnKG 的实证有效性，包括推断流体流动和天体物体等高度非线性问题，这类问题通常仅能以黑盒形式访问前向模型。我们的代码已开源于 https://github.com/devzhk/enkg-pytorch。
关键词
引用
@article{arxiv.2409.20175,
title = {Ensemble Kalman Diffusion Guidance: A Derivative-free Method for Inverse Problems},
author = {Hongkai Zheng and Wenda Chu and Austin Wang and Nikola Kovachki and Ricardo Baptista and Yisong Yue},
journal= {arXiv preprint arXiv:2409.20175},
year = {2025}
}