噪声锚定扩散反演中的压缩不对称性和轨迹束缚

真实图像扩散反演受到严格的质量成本权衡的控制，其成本产生于计算、存储或每个图像的优化。我们通过定义扩散轨迹的前向高斯噪声锚来研究这种权衡，并隔离有效存储噪声反演背后的两种机制。首先，扩散噪声表现出元素级压缩不对称性：int8全维锚保留重建，而低维子空间摘要的可靠性要低得多，即使在相当或更小的有效负载下也经常崩溃；子空间上的逐元素排序在五种存储噪声反演方法中仍然存在。其次，反演是轨迹限制和分数先验耦合的：匹配的前向锚点和经过训练的分数网络都是必要的，反对纯粹的代数恒等式解释。这些发现共同指定了存储内容以及如何使用它们。它们导致了噪声锚定反向校正（NARC），这是一种 无需训练 反演原语，它存储单个 int8 潜在锚点，并通过固定的、与噪声水平相关的锚点权重计划重用它：当反向轨迹以噪声为主时进行强锚定，然后在图像细节出现时放松锚定。在具有稳定扩散 1.5 的 PIE-Bench++ 上，NARC 的性能优于五个现代非精确基线，并且比 PnP DirectInv 将 PSNR 提高了 +3.24 dB，同时使用的反转存储比 PnP DirectInv 少约 400 倍。压缩不对称性、锚点特异性和编辑插件也转移到 SDXL 1024^2。