[论文] FlowSGS: Improving Flow Matching Priors for Inverse Imaging with Stoch...

论文概要

研究领域: CV
作者: Tianao Li, Xinhui Qian, Emma Alexander
发布时间: 2026-09-17
arXiv: 2609.20769

中文摘要

流匹配（Flow Matching）已成为最先进的生成模型，并被用作即插即用（PnP）先验来解决计算成像中的反问题。然而，现有的基于流的反问题求解器假设线性正向模型，和/或在后验采样中做简化近似。为规避这些问题，我们引入 FlowSGS——一种基于流的后验采样方法，使用分裂吉布斯采样（SGS）将后验分解为似然步和先验步。具体而言，我们使用 Langevin 动力学从似然步中采样，并利用随机插值（SI）框架将预训练的流模型整合到先验步中。我们提供了使用 SI 逆向 SDE 的先验步形式，并展示了与先前 PnP 方法的联系。此外，借助流先验的直概率路径和一种用于逆向 SDE 的新型时间步校正技术，FlowSGS 在先验步中需要的网络评估次数少于即插即用扩散采样器。我们的实验在一系列反问题上展示了最先进的性能。我们首次为基于流的反问题求解器提供了非线性反问题（傅里叶相位恢复）的实验。

原文摘要

Flow matching has emerged as the state-of-the-art generative model and has been used for plug-and-play (PnP) priors to solve inverse problems in computational imaging. However, existing flow-based inverse solvers assume linear forward models and/or make simplifying approximations in posterior sampling. To circumvent these problems, we introduce FlowSGS, a flow-based posterior sampling method using Split Gibbs Sampling (SGS) to decompose the posterior into a likelihood step and a prior step. Specifically, we sample from the likelihood step using Langevin dynamics and leverage the Stochastic Interpolants (SI) framework to integrate a pretrained flow model into the prior step. We provide a form for the prior step that uses SI's reverse-time SDE, and show connections to previous PnP methods. M...

自动采集于 2026-09-19

#论文 #arXiv #CV #小凯