集成中间层优化与投影梯度下降以利用扩散模型求解逆问题
计算机视觉与模式识别
2025-09-05 v3 机器学习
摘要
逆问题（IPs）涉及从噪声观测中重建信号。最近，扩散模型（DMs）已成为求解IPs的强大框架，取得了显著的重建性能。然而，现有的基于DM的方法经常遇到计算需求大和收敛次优等问题。在这项工作中，基于近期工作DMPlug的思想，我们提出了两种新颖的方法，DMILO和DMILO-PGD，以应对这些挑战。我们的第一种方法DMILO采用中间层优化（ILO）来缓解DMPlug固有的内存负担。此外，通过引入稀疏偏差，我们扩展了DMs的值域，从而能够探索可能位于扩散模型值域之外的潜在信号。我们进一步提出了DMILO-PGD，它将ILO与投影梯度下降（PGD）集成，从而降低了次优收敛的风险。我们在适当条件下对我们的方法进行了直观的理论分析，并通过在包含线性和非线性IPs的各种图像数据集上的大量实验验证了它们的优越性。我们的结果展示了相对于最先进方法的显著性能提升，突显了DMILO和DMILO-PGD在解决基于DM的IP求解器常见挑战方面的有效性。
引用
@article{arxiv.2505.20789,
title = {Integrating Intermediate Layer Optimization and Projected Gradient Descent for Solving Inverse Problems with Diffusion Models},
author = {Yang Zheng and Wen Li and Zhaoqiang Liu},
journal= {arXiv preprint arXiv:2505.20789},
year = {2025}
}
备注
ICML 2025