2025_NIPS_Linearly Constrained Diffusion Implicit Models

文章总结与翻译

一、主要内容

本文提出了一种名为线性约束扩散隐式模型（Linearly Constrained Diffusion Implicit Models, CDIM） 的快速准确方法，用于解决基于扩散模型的带噪线性逆问题，涵盖超分辨率、去噪、图像修复、去模糊和3D点云重投影等应用场景。

线性逆问题的核心是从带噪线性测量结果中恢复未知信号，传统扩散模型求解该问题时存在两大挑战：一是计算成本高，需大量投影步骤保证测量一致性；二是无噪场景下难以在减少步骤的同时保证约束精度。CDIM通过动态调整投影步骤的数量和大小，使残差测量能量与其在正向扩散过程中的理论分布对齐，在保持测量一致性的前提下，将投影步骤减少10-50倍，大幅提升推理速度（部分场景下推理时间不足2.5秒），且在无噪场景中能精确满足测量约束，即使对分布外输入也有效。

文章通过在FFHQ和ImageNet数据集上的实验验证，CDIM在FID、LPIPS、PSNR等指标上表现优于或媲美DPS、DDRM、MCG等现有方法，同时推理速度提升一个数量级，成功在质量与效率之间实现了优化平衡。

二、创新点

1. 自适应投影策略：基于正向扩散过程中残差能量的理论分布（χ²分布），动态调整投影步骤的数量和步长，避免传统方法中固定投影步骤导致的效率低下或收敛不足问题，无需额外网络评估即可实现投影优化。
2. 代理残差引导机制：引入代理残差