Inverse Flow 与 Consistency Models

逆生成问题，如在没有真实观测的情况下进行去噪，是许多科学探究和实际应用中的关键挑战。虽然扩散模型、条件流匹配和一致性模型等生成模型方面的最新进展通过将生成转化为去噪问题取得了令人印象深刻的结果，但它们无法在没有干净数据的情况下直接用于逆生成。这里我们引入了逆流（IF），一种使这些生成模型能够用于包括无真实数据去噪在内的逆生成问题的新框架。逆流可以灵活地应用于几乎所有连续噪声分布，并允许复杂依赖。我们提出了两种学习逆流的算法：逆流匹配（IFM）和逆一致性模型（ICM）。值得注意的是，为了推导出计算高效、无需模拟的逆一致性模型目标，我们将一致性训练推广到任何前向扩散过程或条件流，这些应用超越了去噪。我们在合成和真实数据集上展示了IF的有效性，在超越先前方法的同时实现了先前方法无法支持的噪声分布。最后，我们展示了我们的技术在荧光显微镜和单细胞基因组学数据上的应用，突出了IF在科学问题中的效用。总体而言，这项工作将强大生成模型的应用扩展到了逆生成问题。