加噪、去噪、校正：三步实现利用扩散先验的 MCMC 后验采样
Noise, Denoise, Correct: MCMC Posterior Sampling with Diffusion Priors in Three Steps
精选理由
提出无需先验评估的扩散模型MCMC，实现非线性不可微逆问题的精确后验采样】【。
AI 摘要
arXiv:2610.09407v1 公告类型：新 摘要：预训练扩散模型是逆问题的强大先验，但在非线性、不可微的前向模型下进行后验采样仍然困难。我们提出 diffusion waltz，一种利用 SDEdit 风格的加噪—去噪过程作为提议，并通过 Metropolis-Hastings 进行校正的 MCMC 方法，从而无需评估先验即可实现精确的后验采样。我们进一步提出在保持精确性的同时，将观测结果注入提议中，采用无梯度的集合卡尔曼更新。在不可微的 Navier-Stokes 初始条件恢复任务中，diffusion waltz 在不同噪声和非线性条件下均优于现有基线方法。