In-loop kernel refinement: Robust blind inverse problems via conditional diffusion and sparse Bayesian learning

Hong, Ziyu

doi:10.1016/j.neucom.2026.134683

In-loop kernel refinement: Robust blind inverse problems via conditional diffusion and sparse Bayesian learning

2026-08-01

0

PRE

AI

DOI：10.1016/j.neucom.2026.134683

原文链接

原文求助

摘要

En 中文

盲图像恢复因高维搜索空间和耦合核不确定性而仍是一项艰巨挑战。尽管扩散后验采样（DPS）在解决反问题方面显示出前景，但当物理算子定义不明确时，它往往会出现语义幻觉和梯度漂移。在本文中，我们提出了一种在循环核细化（ILKR）框架，连接生成流形与稀疏物理核以实现鲁棒盲恢复。具体而言，我们引入了一种条件机制，利用空间特征变换（SFT）层将扩散过程锚定在实例特定的流形内，约束解空间。为解决核不确定性，集成了稀疏贝叶斯学习（SBL）优化器，通过自动相关性确定（ARD）动态推断模糊核，确保物理轨迹的实时校准。借鉴近期理论见解，我们将此过程重新表述为分层最大后验概率（MAP）优化，其中生成先验和稀疏物理先验协同演化，沿感知-保真度前沿接近高度有利的折衷。实验结果表明，我们的框架与现有方法相比取得了极具竞争力的性能，尤其在少于20次采样步骤内实现了卓越的结构完整性（SSIM）和沿感知-保真度前沿的良好平衡，从而为复杂未知退化问题提供了一种高效且数学上严谨的解决方案。

Keyword:

Sparse Bayesian learning

Diffusion model

Blind image restoration

Condition injector

In-loop kernel refinement: Robust blind inverse problems via conditional diffusion and sparse Bayesian learning

摘要

期刊

机构

引用论文