伪可逆神经网络
机器学习
2026-02-06 v1 计算机视觉与模式识别
摘要
摩尔-彭尔斯伪逆（PInv）是线性系统的基本解决方案。本文提出了PInv向非线性范数域的自然推广，特别是针对神经网络。我们引入了可射伪可逆神经网络（SPNN），这是一类明确设计以容纳可解析非线性 PInv 的架构。我们提出的非线性 PInv 及其在 SPNN 中的实现满足基本的几何属性。一种这样的属性是空旷空间投影或“后投影”，，它将样本 移动到满足 的最近一致状态 。我们形式化了非线性后投影（NLBP），一种保证非线性映射 具有相同一致性约束的方法，基于我们定义的 PInv。我们利用 SPNN 来扩展零样本逆问题的范围。基于闭式后投影的扩散 null-space 投影已彻底改变了针对线性逆问题的零样本求解方法。我们将此方法扩展到非线性退化。此处，“退化”被广义地概括为包括从光学失真到语义抽象如分类等任何非线性信息损失。该方法使我们能够对复杂退化进行零样本反向，并允许对生成输出实现精确的语义控制，而无需重新训练扩散先验。
引用
@article{arxiv.2602.06042,
title = {Pseudo-Invertible Neural Networks},
author = {Yamit Ehrlich and Nimrod Berman and Assaf Shocher},
journal= {arXiv preprint arXiv:2602.06042},
year = {2026}
}