用于不可观测图像结构扩散式恢复的连续后验融合

解决严重病态的成像逆问题，需要恢复测量中不可观测或受到弱约束的图像结构。扩散模型为推断此类缺失信息提供了表达能力强的学习型先验，而后验采样则在逆向过程中融入测量一致性。然而，标准的扩散后验采样器依赖瞬时的测量感知估计，并未显式利用先前后验校正所携带的信息。我们提出 Consecutive Posterior Fusion Denoising Diffusion Null-Space Models (CPF-DDNM)，这是一种推理时策略，通过融合连续的测量感知估计，改进不可观测图像结构的扩散式恢复，同时无需重新训练或额外执行去噪器。我们在 DDNM 中实现了这一原则，其值域/零空间分解揭示，连续融合能够保留由测量决定的分量，同时仅作用于由先验驱动的零空间估计。因此，我们为 CPF-DDNM 提供了几何解释和局部误差分析，刻画了最优的时变融合系数，包括外推情形。在稀疏视角和模拟低剂量计算机断层成像，以及医学图像超分辨率任务上的实验表明，与 DDNM 相比，该方法均能取得稳定改进，并且相较于基于扩散的逆问题求解器具有竞争力的性能。