利用多模态扩散模型加速侧信息成像

本文提出了CCDF采样策略和RED-Diff正则化方法，提升了超分辨率、图像修复和压缩感知MRI的重建性能。

通过引入不同时间步的去噪器，RED-Diff方法解决了扩散模型后验分布不可计算的问题。

提出的SSD反演流程在图像超分辨率、去模糊和上色任务中表现有效，且只需30个NFEs即可取得竞争性结果。

基于去噪扩散概率模型的条件生成模型实现了间接观测信号的采样，并在计算机视觉任务中验证了其有效性。

利用预先训练好的潜在扩散模型解决线性反问题，理论和实验分析显示其优于先前的后验采样算法。

通过数据一致性提高效率和灵活性，为医学成像等领域应用先验提供了可行性。

提出基于贝叶斯条件技术的扩散模型，解决图像重建中的逆问题，展现出最新技术的性能。

EMDiffusion训练方法从损坏的观测中恢复图像，在随机修补、降噪和去模糊等任务上达到了新的最先进性能。

多层次蒙特卡罗策略显著降低了生成扩散模型在贝叶斯逆问题中的计算成本，降低幅度为4到8倍。

对扩散模型在逆问题应用中的信息不足进行了综述，讨论了潜在扩散模型的挑战与解决方案。