基于 Denoiser-Pullback 曲率引导和流形对齐阻尼的几何正确扩散后验采样
机器学习
2026-05-28 v1 人工智能
计算机视觉与模式识别
摘要
扩散后验采样将扩散先验条件化于测量，但数据一致性更新通常由手工调整的引导权重缩放，且在算子依赖的曲率刚性情况下可能导致采样不稳定。我们用在扩散状态坐标中计算的每个噪声水平下阻尼的高斯-牛顿校正取代标量引导。该校正通过去噪器将似然梯度拉回，使用一种避免前向去噪器雅可比矩阵的一侧曲率模型，并应用扩散校准的秩一阻尼，其方向与去噪器残差对齐。每一步校正使用基于自动微分的矩阵自由GMRES求解，采样通过具有闭式漂移/噪声分割的方差保持Langevin过渡进行。实验在FFHQ和ImageNet上的逆问题上实现了具有竞争力的PSNR/SSIM/LPIPS，运行速度显著快于大多数对照基线；在加速MRI重建问题上，达到了最佳的PSNR/SSIM。
引用
@article{arxiv.2605.27990,
title = {Geometry-Correct Diffusion Posterior Sampling with Denoiser-Pullback Curvature Guidance and Manifold-Aligned Damping},
author = {Seunghyeok Shin and Minwoo Kim and Dabin Kim and Hongki Lim},
journal= {arXiv preprint arXiv:2605.27990},
year = {2026}
}
备注
Code: https://github.com/Seunghyeok0715/CLAMP