InvFusion：桥接监督式与零样本扩散方法以解决逆问题
计算机视觉与模式识别
2025-11-20 v2
摘要
扩散模型在处理逆问题方面展现出显著能力，提供高质量的后验采样解决方案。尽管取得了显著进展，但关于条件化合成方式的根本性权衡仍然存在：零样本方法可容纳任何线性退化，但依赖于降低准确性的近似；而训练基方法正确建模后验，但无法在测试时适应退化。本文介绍InvFusion，即首个基于训练的退化感知后验采样器。InvFusion融合了监督方法的强大性能与零样本方法的灵活性。通过一种新颖的架构设计，将退化算子直接集成到扩散去噪器中，实现了上述目标。我们将InvFusion与现有的通用后验采样器进行比较，包括退化感知的零样本技术和盲训练方法。在FFHQ和ImageNet数据集上的实验表明，InvFusion实现了最先进的性能。除了后验采样，我们进一步展示了该架构作为通用均方误差最小化预测器以及神经后验主成分估计器的适用性。
引用
@article{arxiv.2504.01689,
title = {InvFusion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems},
author = {Noam Elata and Hyungjin Chung and Jong Chul Ye and Tomer Michaeli and Michael Elad},
journal= {arXiv preprint arXiv:2504.01689},
year = {2025}
}