基于扩散的逆问题优化器的原理设计

基于分数的扩散模型在反问题上实现了最先进的性能，但其实际部署受到长推理时间和繁琐的超参数调整的阻碍。虽然预训练的扩散模型可以在任务中重复使用而无需重新训练，但推理时间超参数（例如噪声调度和后验采样权重）通常需要针对每个问题设置进行临时调整。我们提出了有原则的重新参数化，它可以带来不变性，允许在多个问题中重复使用相同的超参数，而无需重新调整。此外，基于 RED-diff 框架（将后验采样重新表述为优化问题），我们进一步开发了 OptDiff 管道。 OptDiff 提供了一个简化的调优框架，有助于集成凸优化工具以加速推理。图像重建、去模糊和超分辨率实验显示出显着的加速和图像质量的提高。