摘要

近期关于逆问题的研究提出了一种利用预训练扩散模型作为强大先验的后验采样器。这些尝试为在广泛的逆问题中应用扩散模型铺平了道路。然而，现有的方法涉及计算密集型的迭代采样过程，并且为每个测量结果单独优化解决方案，这导致了其可扩展性有限以及对未见过样本的泛化能力不足。为了克服这些局限性，我们提出了一种新颖的方法——基于扩散先验的摊销变分推断（DAVI），该方法从摊销变分推断的角度解决了逆问题。具体而言，我们的摊销推断不是针对每个测量结果进行单独优化，而是学习一个函数，直接将测量结果映射到相应干净数据的隐式后验分布上，从而即使对于未见过的测量结果也能实现单步后验采样。我们在两个基准数据集上进行了大量图像恢复任务实验，例如高斯去模糊、4倍超分辨率和框内填充，实验结果表明我们的方法在性能上优于强大的基线方法。代码可在 https://github.com/mlvlab/DAVI 获取。