Score-Guided Diffusion for 3D Human Recovery
Rutgers University（罗格斯大学）
提出ScoreHMR，利用扩散模型分数引导解决3D人体重建逆问题，无需重训练，在单帧、多视图和视频中优于优化基线。
2024-03-14 cs.CV
Repulsive Latent Score Distillation for Solving Inverse Problems
Rice University（莱斯大学）；NVIDIA Inc.（英伟达公司）
针对 SDS 在高维逆问题中的模式崩溃与潜在空间反演挑战，提出结合排斥机制与增广变分分布的框架，在保证计算效率的同时提升解的多样性与质量。
2024-10-12 cs.CV cs.LG
Score-Control for Hallucination Reduction in Diffusion Models
University at Buffalo（布法罗大学）
针对扩散模型中的幻觉问题，提出基于方差引导的分数调制策略，通过控制分数雅可比矩阵减少幻觉，在保持高保真度和多样性的同时将幻觉降低约25%。
2026-05-29 cs.CV
A Plug-in Interpretation of Conditioning in Score-Based Diffusion Models
International Institute of Information Technology Hyderabad（国际信息技术学院海得拉巴分校）；University of Bath（巴斯大学）
该研究提出基于多速度联合扩散的插件式条件机制，推导相关SDE与ODE并引入对数福克-普朗克残差正则化，在条件图像生成任务中验证了方法的有效性。
2026-08-21 cs.CV
Measurement-Consistent Langevin Corrector for Stabilizing Latent Diffusion Inverse Problem Solvers
Sookmyung Women's University（成均馆女子大学）
针对潜在扩散模型逆问题求解器的不稳定性，提出测量一致朗之万校正器（MCLC），通过测量一致的朗之万更新缩小求解器与稳定反向扩散之间的差距，实现稳定可靠的潜在空间求解。
2026-06-05 cs.CV cs.LG
Diff-Instruct with Diffused Reward: Towards Principled One-step Generator RL
Purdue University（普渡大学）；hi-lab, Xiaohongshu Inc.（小红书实验室，小红书公司）
针对一步生成器强化学习中奖励优化与生成动力学不匹配的问题，提出基于积分KL最小化的无数据轨迹级对齐框架DIDR，通过扩散奖励分数和代理估计器实现奖励驱动的校正，在一步SDXL和6B DiT骨干网络上取得帕累托优势。
2026-05-26 cs.AI cs.CV cs.LG
Zero-Shot Solving of Imaging Inverse Problems via Noise-Refined Likelihood Guided Diffusion Models
School of Mathematics and Statistics（数学与统计学学院）；Nanjing University of Science and Technology（南京理工大学）；School of Computer Science and Engineering（计算机科学与工程学院）
针对现有扩散模型处理成像逆问题泛化性不足的问题，提出似然引导噪声精炼的零样本框架，结合DDIM采样提升效率，在多类逆问题尤其5%采样率的压缩感知中实现更优重建。
2025-06-16 cs.CV eess.IV
Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）
本文揭示了现有扩散模型求解逆问题的方法本质是对去噪后验采用手工各向同性协方差进行高斯近似，并提出利用最大似然估计确定的最优后验协方差改进模型，设计了即插即用方案与正交基学习方法，显著提升了零样本重建性能且无需调参。
2024-06-02 cs.CV cs.LG
Root-Selecting Fixed-Point Inversion for Rectified Flows via Trajectory Straightness
KAIST（韩国科学技术院）
提出SelFix方法，通过选择使逆轨迹更直的不动点解，在整流流中实现精确反演，提升图像重建和编辑质量。
2026-11-10 cs.CV cs.LG
MAP-based Problem-Agnostic diffusion model for Inverse Problems
organization= Library, Shandong University , addressline= No. 180 West Culture Road , city= Weihai , postcode= 264209 , state= Shandong , country= China；organization= School of Mathematics；Statistics \& Hubei Key Laboratory of Engineering Modeling；Scientific Computing \& Institute of Interdisciplinary Research for Mathematics；Applied Science, Huazhong University of Science；organization= Department of Basic Sciences, Dalian University of Science
本文提出了一种基于最大后验概率的逆问题扩散模型，通过引入高斯型先验和引导项估计，提升图像处理任务中的内容保留效果。
2026-03-09 cs.CV eess.IV
InverseCrafter: Efficient Video ReCapture as a Latent Domain Inverse Problem
Graduate School of AI, KAIST, South Korea（韩国釜山国立大学人工智能研究生院）；EverEx, South Korea（韩国EverEx公司）；Korea University, South Korea（韩国国立庆熙大学）
提出InverseCrafter框架，将新视角视频生成转化为潜在空间基于图像修复的逆问题，通过轻量级潜在掩码编码器建立算子等价，无需标注4D训练数据，实现高效合成与编辑。
2026-07-07 cs.AI cs.CV cs.LG
Soft Diffusion: Score Matching for General Corruptions
Google Research（谷歌研究院）；UT Austin（得克萨斯大学奥斯汀分校）
我们定义了一个更广泛的家庭腐败过程，概括了以前已知的扩散模型。为了扭转这些一般的扩散，我们提出了一个新的目标，称为软分数匹配，可证明学习任何线性腐败过程的分数函数，并为CelebA产生最先进的结果。软分数匹配结合了网络中的退化过程。我们的新损失训练模型预测一个干净的图像，\textit{that after corruption}，匹配扩散观察。我们表明，我们的目标学习梯度的可能性在适当的规律性条件下的一个家庭的腐败过程。我们进一步开发了一种原则性的方法来选择一般扩散过程的腐败水平和一种新的采样方法，我们称之为动量采样器。我们的实验表明，我们的框架适用于一般的线性腐败过程，如高斯模糊和掩蔽。我们在CelebA-64上实现了最先进的FID评分$1.85$，优于所有先前的线性扩散模型。与香草去噪扩散相比，我们还显示出显着的计算优势。
2022-10-05 cs.AI cs.CV cs.LG
Exploiting the Exact Denoising Posterior Score in Training-Free Guidance of Diffusion Models
PhysicsX Ltd.（PhysicsX有限公司）
本研究提出纯去噪任务下精确后验分数的可求解新表达式，分析DPS分数的时间相关误差并动态计算步长最小化误差，该方法性能比肩SOTA且采样步数少于DPS，步长可迁移至多种图像逆问题。
2025-06-16 cs.CV cs.LG stat.ML
SAIP: A Plug-and-Play Scale-adaptive Module in Diffusion-based Inverse Problems
Zhejiang University（浙江大学）；ZJU-UIUC Institute（浙大UIUC研究院）
针对扩散逆问题中先验与似然尺度需手动固定调节的问题，提出即插即用的SAIP模块，逐时间步自适应优化尺度并提升多类图像恢复任务的重建质量。
2025-09-29 cs.CV cs.LG
Sample-efficient evidence estimation of score based priors for model selection
Department of Computing and Mathematical Sciences（计算与数学科学系）
本文提出DiME方法，通过整合后验采样方法的时间边际，利用逆扩散采样过程中的大量中间样本，高效估计扩散先验的模型证据，用于模型选择和先验误拟诊断。
2026-04-30 cs.CV cs.LG stat.ME
Bayesian Conditioned Diffusion Models for Inverse Problems
Aselsan（阿塞尔桑公司）；Bilkent University（比尔肯特大学）
针对逆问题图像重建中后条件化次优及测量数据启发式注入导致采样不准的问题，提出贝叶斯条件扩散模型 BCDM，并在多项重建任务上达到最先进性能。
2024-06-14 cs.AI cs.CV cs.LG
Score-Based Diffusion Models for Photoacoustic Tomography Image Reconstruction
California Institute of Technology（加州理工学院）
本文提出使用基于分数的扩散模型解决光声断层成像中因传感器覆盖或换能器阵列密度不足导致的不适定逆重建问题，利用在模拟血管结构上学习的表达性先验，实现对不同换能器稀疏条件的鲁棒重建。
2024-03-30 cs.CV cs.LG eess.IV
Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems
Zhejiang University（浙江大学）；University of Illinois Urbana-Champaign Institute（伊利诺伊大学厄巴纳-香槟分校研究所）；The University of Tokyo（东京大学）
本文针对扩散模型求解噪声线性逆问题时推理过慢的问题，提出一种简单的似然得分闭式近似方法DMPS，在超分辨率、去噪、去模糊和着色等任务上以显著更快的速度取得有竞争力甚至更好的重建性能。
2024-10-20 cs.CV cs.IT cs.LG
Principled MAP estimation for inverse problems: bridging the gap between convergence and performance
ENS de Lyon（里昂高等师范学校）；CNRS（法国国家科学研究中心）；Université Claude Bernard Lyon 1（里昂第一大学）；Inria（法国国家信息与自动化研究所）；Univ. Bordeaux（波尔多大学）；Bordeaux INP（波尔多国立理工学院）；IMB（波尔多数学研究所）
本文提出一种结合递减噪声水平去噪器与定制调度的算法，在贝叶斯框架下证明其收敛到MAP估计，并在不适定逆问题上超越现有收敛方法、媲美最先进经验方法。
2026-09-30 cs.CV cs.LG
GaussianPOP: Principled Simplification Framework for Compact 3D Gaussian Splatting via Error Quantification
Fraunhofer Heinrich-Hertz-Institute (HHI)（弗劳恩霍夫海因里希·赫兹研究所（HHI））；Sungkyunkwan University (SKKU)（成均馆大学（SKKU））
GaussianPOP通过基于误差量化的原理性框架，实现3D高斯点云渲染的高效简化，提升模型紧凑性与渲染质量的平衡。
2026-02-06 cs.CV
A Principled Approach to Unsupervised Anomaly Detection
Imperial College London（帝国理工学院）；Friedrich-Alexander University Erlangen-Nürnberg（弗里德里希-亚历山大大学埃尔朗根-纽伦堡）；Nanyang Technological University（南洋理工大学）
提出将无监督异常检测重构为贝叶斯逆问题，以能量分数作为异常分数，统一现有方法并改进MVTec AD数据集上的AUROC，同时提供病理估计。
2026-09-21 cs.CV
3D Neural Embedding Likelihood: Probabilistic Inverse Graphics for Robust 6D Pose Estimation
Google DeepMind（谷歌DeepMind）；MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
本文提出3D Neural Embedding Likelihood (3DNEL)概率逆图形学框架，通过结合RGB神经嵌入与深度信息进行6D位姿估计，在保持高性能的同时显著提升了严重遮挡等挑战场景下的鲁棒性。
2023-09-06 cs.CV
Neural Inverse Scattering with Score-based Regularization
Johns Hopkins University（约翰霍普金斯大学）；Pomona College（普莫纳学院）
针对逆散射问题需联合估计图像与散射场且需有效图像先验正则化的需求，提出整合去噪分数函数的正则化神经场方法，在三个高对比度模拟物体上成像质量优于基于全变分正则化的现有最优神经场方法。
2025-05-20 cs.CV eess.IV
Validity-Gated Evaluation of Multimodal Machine Unlearning
Murdoch University（墨尔本大学）
本文系统分析了多模态去学习中度量可靠性问题，提出统一质量评分（UQS）以解决不同度量标准间的冲突，通过实验验证了UQS在稳定排序方面的有效性。
2026-11-03 cs.CV cs.LG
Exact Posterior Score Estimation for Solving Linear Inverse Problems
University of Oxford（牛津大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）；EverEx
提出精确后验分数（EPS）方法，通过闭式后验分数将线性逆问题转化为去噪问题，无需梯度或投影，在FFHQ和ImageNet上优于现有方法。
2026-06-16 cs.CV cs.LG stat.ML
Unbiased Diffusion Variational Inversion via Principled Posterior Matching
Peking University（北京大学）
提出原则性后验匹配（PPM）框架，通过精确优化KL散度（利用Fisher散度积分）解决逆问题中模式坍塌和不确定性量化不可靠的问题，统一变分推理和摊销推理，在图像修复、超分辨荧光显微和射电干涉成像中实现高保真重建和校准的不确定性估计。
2026-06-29 cs.CV
Convergence Properties of Score-Based Models for Linear Inverse Problems Using Graduated Optimisation
Center for Industrial Mathematics, University of Bremen（不来梅大学工业数学中心）；University College London（伦敦大学学院）
针对逆问题变分优化非凸难求解的问题，提出将基于评分的生成模型纳入渐进优化框架，证明其收敛到原问题驻点，且在CT图像重建中可不受初值影响生成高质量图像。
2024-08-12 cs.CV cs.LG eess.IV
PRISM: Probabilistic and Robust Inverse Solver with Measurement-Conditioned Diffusion Prior for Blind Inverse Problems
Johns Hopkins University（约翰霍普金斯大学）；Tsinghua University（清华大学）
本文提出PRISM，一种结合测量条件扩散先验与后验采样的概率鲁棒逆求解器，用于盲逆问题，并在盲图像去模糊中同时提升图像和模糊核恢复性能。
2025-09-19 cs.CV cs.LG eess.IV
Provably Accelerated Imaging with Restarted Inertia and Score-based Image Priors
Univ. Bordeaux, CNRS, INRIA, Bordeaux INP, IMB, UMR 5251（波尔多大学、法国国家科学研究中心、法国国家信息与自动化研究所、波尔多国立理工学院、IMB、UMR 5251）；Johns Hopkins University（约翰霍普金斯大学）
针对病态成像逆问题，提出RISP方法，融合重启惯性与基于分数的先验，证明其比RED收敛更快且无需凸性，实验验证了快速收敛与高质量重建。
2025-10-08 cs.CV
Denoising Score-Matching for Uncertainty Quantification in Inverse Problems
CEA（法国原子能和替代能源委员会）；Inria（法国国家信息与自动化研究所）；AIM；CNRS（法国国家科学研究中心）；Université Paris-Saclay（巴黎-萨克雷大学）；Université Paris Diderot（巴黎狄德罗大学）；Sorbonne Paris Cité（索邦巴黎西岱大学）
深度神经网络已经被证明在解决广泛的逆问题方面非常有效，但它们提供的解决方案的不确定性往往难以量化。在这项工作中，我们提出了一个解决逆问题的通用贝叶斯框架，其中我们将深度神经网络的使用限制为学习信号的先验分布以恢复。我们采用最新的denoisingscore匹配技术来学习这个先验数据，并随后使用它作为退火哈密顿蒙特卡罗计划的一部分来采样图像逆问题的全部后验。我们将此框架应用于磁共振图像（MRI）重建，并说明这种方法不仅产生高质量的重建，但也可以用来评估重建图像的特定特征的不确定性。
2020-11-16 cs.CV cs.LG eess.SP
Solving Inverse Problems in Medical Imaging with Score-Based Generative Models
Stanford University（斯坦福大学）
从部分测量数据重建医学图像是计算机断层成像（CT）和磁共振成像（MRI）中的一个重要逆问题。基于机器学习的现有解决方案通常训练模型以利用成对图像和测量的训练数据集来将测量直接映射到医学图像。这些测量通常使用测量过程的固定物理模型从图像合成，这阻碍了模型对未知测量过程的泛化能力。为了解决这个问题，我们提出了一个完全无监督的逆问题解决技术，利用最近推出的基于分数的生成模型。具体来说，我们首先训练一个基于分数的生成模型的医学图像捕捉他们的先验分布。给定的测量和测量过程中的物理模型在测试时，我们引入了一种采样方法来重建与先前和观察到的测量一致的图像。我们的方法在训练过程中不假设固定的测量过程，因此可以在测试时灵活地适应不同的测量过程。从经验上讲，我们在CT和MRI的几个医学成像任务中观察到与监督学习技术相当或更好的性能，同时对未知测量过程表现出更好的泛化能力。
2022-06-16 cs.CV cs.LG eess.IV
Two-and-a-half Order Score-based Model for Solving 3D Ill-posed Inverse Problems
Sun-Yat-sen University（中山大学）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
提出一种二阶半阶评分模型（TOSM），在训练时学习2D分布以降低复杂度，重建时在3D空间利用三方向互补评分，解决CT和MRI中3D不适定逆问题的切片间不一致，实现高质量重建。
2023-12-20 cs.CV cs.LG eess.IV
Converged Deep Framework Assembling Principled Modules for CS-MRI
Dalian University of Technology（大连理工大学）；Hangzhou Dianzi University（杭州电子科技大学）；Guilin University of Electronic Technology（桂林电子科技大学）
压缩感知磁共振成像（CS-MRI）以远低于奈奎斯特标准的采样率显著加速MR数据采集。CS-MRI的一个主要挑战在于解决严重不适定的逆问题，从稀疏的k空间数据中重建无混叠的MR图像。传统方法通常优化能量函数，产生高质量的重建，但其迭代数值求解器必然带来极慢的处理。最近的数据驱动技术能够通过学习直接预测到最终重建或将学习的模块插入能量优化器来提供快速恢复。然而，这些数据驱动的预测器不能保证重建以下的约束下的常规方法的正则化，使其重建结果的可靠性是值得怀疑的。在本文中，我们提出了一个融合的深度框架，组装CS-MRI的原则性模块，将学习策略与传统重建能量的迭代求解器融合在一起。该框架嵌入了最佳条件检查机制，促进了\emph{efficient}和\emph{reliable}重建。我们还将该框架应用于两个实际任务，\emph{i.e.}，并行成像和重建与Rician噪声。在基准测试图像和模糊测试图像上的大量实验表明，该方法在各种场景下都能比现有技术更有效、更准确地收敛到最优解。
2019-10-29 cs.CV eess.IV
InfoDPP-PAC: Principled Patch Selection for Whole Slide Image Analysis
Motilal Nehru National Institute of Technology Allahabad（Motilal Nehru 阿拉哈巴德国立技术学院）；Vision Exploration and Data Analytics (VEDAs) Lab（视觉探索与数据分析实验室（VEDAs））
针对全切片图像分析的补丁选择问题，提出InfoDPP-PAC框架，结合多种方法实现受控的质量-多样性-基数选择，在202张胃肠道WSI上验证其性能优于多数基线。
2026-08-26 cs.CV cs.IT cs.LG
Plug-and-Play Deep Energy Model for Inverse problems
University of Iowa（爱荷华大学）
我们介绍了一种新的能量配方即插即用（PPERS）图像恢复。使用卷积神经网络（CNN）的传统PSNR方法不具有基于能量的公式。这项工作的主要重点是引入一种基于能量的Pestrian公式，该公式依赖于CNN，该CNN从训练数据中学习图像的对数。评分函数被评估为能量模型的梯度，其类似于具有共享编码器和解码器权重的UNET。因此，所提出的评分函数被约束到一个保守的向量场，这是与经典的Pestrian模型的关键区别。基于能量的公式提供了算法的收敛保证，即使当学习的分数模型不是一个收缩。收缩约束的放松允许所提出的模型学习更复杂的先验知识，从而提供了比传统的Pestrian方案更好的性能。我们在磁共振图像重建中的实验表明，所提出的能量模型比传统的PSNR方法提供了更好的性能。
2023-02-15 cs.CV cs.LG eess.IV
Annealed Langevin Posterior Sampling (ALPS): A Rapid Algorithm for Image Restoration with Multiscale Energy Models
University of Virginia（弗吉尼亚大学）
ALPS通过多尺度能量模型和退火拉格朗日后验采样，提升图像修复和MRI重建的准确性和效率。
2026-01-05 cs.AI cs.CV eess.IV
Provable Probabilistic Imaging using Score-Based Generative Priors
California Institute of Technology（加州理工学院）
提出即插即用蒙特卡洛（PMC）框架，结合基于分数的生成先验，通过后验采样在求解逆问题中实现高质量图像重建与不确定性量化，并提供非渐近平稳性理论保证。
2024-08-28 cs.CV cs.LG eess.IV
Block Coordinate Plug-and-Play Methods for Blind Inverse Problems
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出块坐标即插即用（BC-PnP）方法，通过在图像和测量算子上同时引入去噪先验并建立非凸收敛理论，高效求解 MRI 线圈灵敏度估计和盲去模糊等盲逆问题。
2023-10-26 cs.CV cs.LG eess.IV
