POLARIS：用于鲁棒自适应扩散模型反卷积的投影正交最小二乘
计算机视觉与模式识别
2025-12-02 v1
摘要
基于扩散模型的反卷积-去噪范式在 diverse 的图像编辑和恢复任务中表现出色。我们重新审视了其机制，揭示了 reconstruction 降解中一个关键且被忽视的因素：近似噪声误差。这一误差源于用第 t 步的预测来近似第 t-1 步的噪声，导致反卷积过程中的误差在整个过程中严重积累。我们引入投影正交最小二乘（Projection-Orthogonal Least Squares for Robust and Adaptive Inversion, POLARIS），将反卷积从误差补偿问题转化为误差来源问题。POLARIS 将引导尺度 作为步级变量进行处理，并推导出一个在每一步最小化反卷积误差的数学公式。令人惊讶的是，POLARIS 只需一行代码即可提升反卷积潜在质量。尽管性能开销极小，它显著缓解了噪声近似误差，并在下游任务中持续提高精度。
引用
@article{arxiv.2512.00369,
title = {POLARIS: Projection-Orthogonal Least Squares for Robust and Adaptive Inversion in Diffusion Models},
author = {Wenshuo Chen and Haosen Li and Shaofeng Liang and Lei Wang and Haozhe Jia and Kaishen Yuan and Jieming Wu and Bowen Tian and Yutao Yue},
journal= {arXiv preprint arXiv:2512.00369},
year = {2025}
}