通过展开和蒸馏扩散模型学习少步后验采样器
计算机视觉与模式识别
2025-11-19 v2 机器学习
摘要
扩散模型 (DM) 已成为贝叶斯计算成像中强大的图像先验。目前已提出两种主要策略：即插即用方法，这种方法零样本且高度灵活，但依赖近似；以及特定条件扩散模型，这种方法通过监督训练实现更高精度和更快的推断速度。本文引入一种新型框架，将深度展开和模型蒸馏相结合，将 DM 图像先验转化为后验采样的少步条件模型。我们方法的核心创新之一是展开一种马尔可夫链蒙特卡罗 (MCMC) 算法——即最近提出的 LATINO Langevin 采样器 (Spagnoletti 等，2025)，这是已知第一个应用于蒙特卡罗采样方案的深度展开实例。通过大量实验和与当前最先进技术的比较，我们展示了所提出的展开和蒸馏采样器在准确性和计算效率方面表现出色，同时保持了在推断时适应前向模型变化的灵活性。
关键词
引用
@article{arxiv.2507.02686,
title = {Learning few-step posterior samplers by unfolding and distillation of diffusion models},
author = {Charlesquin Kemajou Mbakam and Jonathan Spence and Marcelo Pereyra},
journal= {arXiv preprint arXiv:2507.02686},
year = {2025}
}
备注
34 pages, 18 figures, 11 tables