Flow Map 去噪器：遍历逆问题中的失真-感知平面

arXiv:2606.19802v2 公告类型：替换 摘要：图像复原面临一个根本性权衡：最小化误差的方法会产生模糊的重建结果，而最大化感知质量的方法则会生成清晰但不够忠实的图像。现有方法要么固定在失真-感知（DP）前沿上的单一工作点，要么需要成对数据监督、辅助模型或对采样器进行超参数调节，才能访问不同的工作点。我们表明，flow map 模型是近年来针对少步采样对 flow matching 的扩展，通过学习平均场，隐式定义了一个由单个参数控制的去噪器族，并能够连续覆盖 DP 前沿。前瞻参数 t 充当 MMSE 与感知质量状态之间的控制旋钮。对于高斯目标，我们证明改变 t 能够精确恢复最优 DP 前沿；对于自然图像，我们通过实验证实了类似的行为。在 Plug-and-Play 求解器中，同一机制可扩展到一般逆问题，在其中控制感知对齐与数据一致性之间的权衡。尽管在该设定下缺乏精确的最优性保证，但单个训练完成的 flow map 能够覆盖 DP 权衡的整个范围，在两端均达到或超过专用基线方法。在 CelebA（$128\times 128$）和 AFHQ（$256\times 256$）上针对多种线性和非线性逆任务开展的大量实验验证了我们的发现。