12:12arXiv cs.LG@Benjamin A. Burns, Sara Fridovich-Keil本文从有限样本视角系统分析了扩散模型在后验采样中的失败机制。研究发现,现有方法在中间时间步对似然函数进行近似时,会系统性地高估或低估后验分布的扩散程度,导致对早期停止时间敏感、后验模式权重不准确以及产生幻觉(包括先验中不存在但后验中出现的模式,以及似然中不受先验支持的模式)。这些错误无需非线性测量模型或多模态后验,仅由多模态先验和中间采样时的不准确后验扩散即可引发。作者提出的有限样本后验采样方法可兼容任何似然近似和正向模型,作为诊断工具评估现有及未来后验采样器的准确性和失败模式。论文扩散模型后验采样有限样本分析图像逆问题失败模式诊断推荐理由:做图像逆问题或扩散模型后验采样的研究者,这篇论文直接戳中了现有方法“好用但说不清为什么失败”的痛点——有限样本视角给出了可落地的诊断工具,建议点开看看你的采样器是否也在犯这些错误。原文
10:22arXiv cs.LG@Donggyu Lee, Taekyung Lee, Jaewoong Choi精选UOTIP 提出了一种基于非平衡最优传输(UOT)的新方法,用于解决无配对图像逆问题。该方法通过引入基于似然的代价函数,学习从噪声测量分布到干净信号分布的传输映射,无需配对训练数据。UOT 框架通过放松精确边际约束,使模型对多级观测噪声、类别不平衡和多种噪声类型具有鲁棒性。理论分析表明,加入二次代价项可确保传输映射的存在性和唯一性。实验结果显示,UOTIP 在线性和非线性逆问题基准上均达到最先进性能。论文图像逆问题最优传输无配对学习鲁棒性UOTIP推荐理由:无配对图像逆问题是实际应用中的常见难题,UOTIP 用非平衡最优传输优雅地解决了数据不配对和噪声鲁棒性问题,做医学成像或遥感图像恢复的团队值得关注。原文