逆问题的稀疏调度扩散引导
机器学习
2026-05-29 v3
摘要
预训练扩散模型作为贝叶斯逆问题的有效先验，但由于数据一致性引导在完整逆向轨迹中常常昂贵，后验抽样往往代价高昂。现有方法表明，通过向量-雅可比积可有时避免，但通常仍依赖于完整轨迹上的稠密引导或昂贵的内部求解。我们引入稀疏调度扩散引导逆问题(Sparse Scheduled Diffusion Guidance for Inverse Problems, 简称Spin)，作为一种求解器，避免从纯噪声开始后验抽样。Spin首先从中间时间步 处的后验边缘分布抽样，然后将该状态作为引导逆扩散过程的温暖启动。引导时，Spin不在每个去噪步骤上强制执行测量约束，而仅在去噪器仍可清理伪影的调度时间步上应用轻量级校正。最终的程序将先验细化与数据一致性解耦：先验提供去噪，而轻量级像素空间优化 enforces 测量约束，而无需通过去噪器或解码器进行反向传播。跨线性和非线性逆问题，在FFHQ和ImageNet上，Spin在重建质量方面实现与竞争水平，同时在运行时-内存配置上显著更优——在像素空间模型上快2倍，在潜在扩散模型上可快达50倍，内存消耗更低。
引用
@article{arxiv.2603.07860,
title = {Sparse Scheduled Diffusion Guidance for Inverse Problems},
author = {Abduragim Shtanchaev and Albina Ilina and Yazid Janati and Arip Asadulaev and Martin Takac and Eric Moulines},
journal= {arXiv preprint arXiv:2603.07860},
year = {2026}
}