本文提出了一种通过相对轨迹平衡（RTB）优化贝叶斯逆问题求解的新方法，显著提升了线性和非线性逆问题的处理能力，尤其在视觉和科学领域表现突出。

本研究提出了一种基于解耦扩散的序贯蒙特卡罗方法，克服了预训练生成扩散模型在贝叶斯逆问题中的不足，验证了其在数据和图像重建中的有效性。

本文介绍了PnP-ULA方法，将物理测量模型和深度学习结合，用于贝叶斯逆问题的求解。作者提出了后验-L2伪度量，用于量化PnP-ULA在不匹配后验分布下的误差界限。数值验证结果表明，PnP-ULA对不匹配非常敏感，可以被准确地表征。