FlowLPS: 基于流的逆问题求解器的 Langevin-邻近采样
机器学习
2026-05-13 v2 人工智能
计算机视觉与模式识别
摘要
深度生成模型是成像逆问题的强先验，但潜在流模型的免训练求解器面临实际的有限步权衡。以优化为主的方法能快速提升测量一致性，但在高度非线性的潜在空间中，其结果可能强烈依赖于局部细化的初始化位置，从而经常降低感知真实性。相比之下，随机采样方法能更好地保留后验探索，但通常需要多次迭代才能获得清晰且测量一致的重建结果。为了解决这一权衡，我们提出 FlowLPS，一种基于 Langevin-邻近采样的免训练潜在流逆求解器。在每个反向步骤中，FlowLPS 使用若干次 Langevin 更新来扰动模型预测的干净估计，使其朝向后验方向，为局部细化提供随机初始化。随后，它应用局部 MAP 风格邻近细化，从 Langevin 更新后的估计中快速提升测量一致性。此外，我们使用受控的 pCN 风格重加噪来稳定反向轨迹，同时保持轨迹一致性。在 FFHQ 和 DIV2K 上针对五个线性逆问题的实验表明，FlowLPS 在测量保真度和感知质量之间取得了良好平衡，同时在像素空间逆问题和相位恢复方面也有额外实验。
引用
@article{arxiv.2512.07150,
title = {FlowLPS: Langevin-Proximal Sampling for Flow-based Inverse Problem Solvers},
author = {Jonghyun Park and Jong Chul Ye},
journal= {arXiv preprint arXiv:2512.07150},
year = {2026}
}