研究人员开发了一种新颖的扩散逆问题方法，专注于使用预训练的扩散先验来改进后验采样。他们的方法涉及一个单参数后验SDE族，该族在不改变后验边缘分布的情况下控制随机性。通过重新缩放干净图像坐标并使用log-SNR组织后验代理，他们创建了一个接近干净后验的噪声条件协方差路径。在FFHQ和ImageNet数据集上的实验表明，对于超分辨率和去模糊等任务，具有竞争力的重建保真度。 AI
影响 引入了一种改进扩散模型中图像重建的新技术，可能增强超分辨率和去模糊等应用。
排序理由 该集群包含一篇详细介绍扩散逆问题新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.14744v1 Announce Type: new Abstract: Recovering high-resolution states from sparse, low-resolution observations is a central challenge in scientific machine learning and data assimilation. Classical data assimilation exploits temporal information through forecast-analy…
arXiv:2608.15144v1 Announce Type: new Abstract: Posterior sampling with a pretrained diffusion prior is governed by a conditional score whose intermediate likelihood component is generally intractable. We begin from an ideal one-parameter posterior SDE family in which a stochasti…