针对逆问题的雅可比感知后验采样
计算机视觉与模式识别
2026-03-31 v2
摘要
扩散模型通过从以受损测量为条件的后验分布中进行采样，为解决逆问题提供了强大的生成先验。现有方法主要遵循两种范式：直接方法近似似然项，或将满足测量约束的中间解决方案纳入采样过程的接近方法。我们展示了这些方法在扩散去噪器雅可比的处理方式存在根本差异。虽然该雅可比编码了数据分布的关键先验知识，但训练引起的非理想因素可能在零样本设置中降低性能。本文通过提出一种原则性的雅可比感知后验采样器 (JAPS) 来弥合直接方法和接近方法之间的差距。JAPS 利用雅可比的先验知识，同时通过相应的接近解决方案来缓解其不利影响，无需额外计算成本。我们的方法在多样化的线性和非线性噪声成像任务中提高了重建质量，在感知质量方面优于现有的扩散基线方法，同时在保持或改进失真指标方面也表现出色。
引用
@article{arxiv.2511.18471,
title = {Jacobian-aware Posterior Sampling for Inverse Problems},
author = {Liav Hen and Tom Tirer and Raja Giryes and Shady Abu-Hussein},
journal= {arXiv preprint arXiv:2511.18471},
year = {2026}
}