AI 與世界的難題 · 理論資訊科學 · arXiv · 2026-10-20
以擴散為基礎的先驗求解逆問題:免近似的整體抽樣方法
原標題: Solving Inverse Problems via Diffusion-Based Priors: An Approximation-Free Ensemble Sampling Approach
擴散模型被廣泛用於表示貝氏反問題中的複雜先驗,但現有的後驗抽樣方法依賴對生成過程的啟發式近似。作者受結合擴散模型與循序蒙地卡羅法的啟發,提出一種以 ensemble 為基礎的演算法,能在不使用啟發式近似的情況下進行後驗抽樣。他們證明,真實後驗與生成樣本經驗分佈之間的誤差,可用預訓練評分函數的訓練誤差與粒子數量來界定;在多個影像反問題上,此方法提供比現有擴散模型方法更準確的重建結果。