FAST-DIPS：无 adjoint 的解析步骤和硬约束似然校正用于扩散-先验逆问题
机器学习
2026-04-15 v2 人工智能
计算机视觉与模式识别
摘要
训练-free diffusion priors 使逆问题求解器无需重新训练，但对于非线性前向算子，数据一致性常依赖反复求导或内部优化/MCMC 循环，步长保守，导致大量迭代和 denoiser/score 评估。我们提出一种训练-free 求解器，将这些内部循环替换为硬测量空间可行性约束（闭形式投影）和分析的 model-optimal 步长，从而在每个噪声水平实现小且固定的计算预算。锚定在 denoiser 预测处，该校正通过一种无 adjoint 的 ADMM 分裂方式近似实现，包括投影和少量最速梯度更新，仅使用一个 VJP 和一个 JVP 或前向差分探针，随后进行回溯和解耦 re-annealing。我们在步长规则下证明了局部 model 最优性和下降，并推导了在局部高斯条件代理下进行模式替换 re-annealing的显式 KL 界。我们还开发了潜在变体和一种一种像素→潜在的混合 schedule。实验在最高可达 19.5 倍加速下实现了具有竞争力的 PSNR/SSIM/LPIPS，无需手工 adjoint 或内部 MCMC。
引用
@article{arxiv.2603.01591,
title = {FAST-DIPS: Adjoint-Free Analytic Steps and Hard-Constrained Likelihood Correction for Diffusion-Prior Inverse Problems},
author = {Minwoo Kim and Seunghyeok Shin and Hongki Lim},
journal= {arXiv preprint arXiv:2603.01591},
year = {2026}
}