三元动态感知扩散后验抽样：优化引导与随机性时间表
计算机视觉与模式识别
2026-05-27 v1
摘要
使用扩散模型进行生成后验抽样已成为解决成像领域逆问题的主流范式，通常由三个主要组成部分构成：数据一致性(DC)引导、无分类器引导(CFG)和随机性。虽然先前的方法聚焦于如何开发每个或所有组件，但对如何安排这些组件的时间表关注不足，导致采用固定或部分调整的次优时间表。本文我们认为，三个组件在调度方面的相互作用对于显著提升成像逆问题的解决性能至关重要。我们的分析表明，抽样早期的激进 CFG 与 DC 引导冲突，而随机性会将轨迹带回高概率区域。基于这些发现，我们提出了三元动态感知后验抽样方法(TriPS)，将后验抽样重新表述为时变控制问题，并遵循逐渐减小 DC 和随机性尺度同时逐渐增大 CFG 尺度的三元趋势进行时间表优化。TriPS 通过两种策略实现：基于函数先验的模板搜索获取可靠的基线时间表，以及基于群体相对策略优化(GRPO)的强化学习获得更灵活的时序曲线。实验表明，TriPS 在数据保真度和感知现实性方面均优于最先进的基线方法。
引用
@article{arxiv.2605.26470,
title = {Triadic Dynamics Aware Diffusion Posterior Sampling for Inverse Problems: Optimizing Guidance and Stochasticity Schedules},
author = {Junseo Bang and Dong Ju Mun and Hoigi Seo and Seongmin Hong and Se Young Chun},
journal= {arXiv preprint arXiv:2605.26470},
year = {2026}
}
备注
ICML 2026