机构名称：
¥ 1.0
摘要。扩散模型已被证明是解决一般反问题的强大先验。大多数现有的基于扩散模型的In-verse问题求解器（DIS）采用插件方法来指导采样轨迹，以投影或梯度指导。虽然有效，但这些方法通常需要数百个采样步骤，在推理时间和重建质量之间构成了困境。在这项工作中，我们尝试将推理步骤的边界推向1-2 NFE，同时仍保持高重建质量。为了实现这一目标，我们提议利用扩散模型的预处理蒸馏，即一致性模型，作为数据先前的数据。实现少量步骤指南的关键是在一致性模型的采样过程中执行两种类型的约束：通过优化使用控制和硬测量约束的软测量约束。支持单步重建和多步进，该框架进一步提供了一种通过额外的计算成本来交易图像质量的方法。在可比较的NFE中，我们的方法在基于扩散的反问题解决方面实现了新的最新方法，展示了为现实世界应用使用基于先前的基于基于先前的In-verse问题求解器的重要潜力。代码可在以下网址找到：https：//github.com/biomed-ai-lab-u-michgan/cosign。
cosign：一致性模型的几步性指导
主要关键词
相关文件推荐
