导读
逆问题旨在从含噪、不完整的观测中恢复未知信号,其病态本质要求引入强先验约束以稳定解空间。传统方法依赖总变分或稀疏性假设,难以捕捉复杂数据分布,导致重建质量在医学成像与计算摄影等场景中遭遇瓶颈。2022 年扩散后验采样(DPS)确立了利用预训练生成模型作为先验、结合似然项进行后验采样的框架,标志着从“手工正则化”向“学习式先验”的范式转变。随后,研究重心从单纯的像素级重建质量转向计算效率与理论保证,涌现出无梯度引导、潜空间优化及基于流匹配的确定性求解器。各路线在表示质量、适应效率与计算成本之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从几何度量到语义先验的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。
1. 研究背景、问题结构与演进脉络
逆问题的核心挑战在于前向算子通常导致病态(ill-posed)问题,即从观测数据 $y$ 恢复信号 $x$ 的过程不满足存在性、唯一性或稳定性中的至少一项。形式化地,给定观测模型 $y = Ax + n$,其中 $A$ 为前向算子,$n$ 为噪声,求解 $x$ 等价于最小化数据保真项与正则化项之和。在贝叶斯视角下,这转化为从后验分布 $p(x|y) \propto p(y|x)p(x)$ 中采样。传统方法假设 $p(x)$ 具有稀疏性或低总变分,通过手工设计的正则化项约束解空间,但这种假设在复杂纹理和结构丰富的图像中往往失效,导致重建结果模糊或出现伪影。
随着深度生成模型的发展,问题定义发生了根本性转变。生成先验(Generative Prior)利用扩散模型或流匹配模型学习数据分布 $p(x)$,替代手工正则化项。这一转变的关键在于,生成模型能够捕捉高维数据流形的复杂结构,从而在保持数据一致性的同时生成更逼真的重建结果。然而,引入生成先验也带来了新的子问题:似然项 $p(y|x)$ 的计算通常涉及不可行的高维积分或期望,导致现有方法需依赖 Tweedie 公式等近似,可能引入偏差。此外,标准的后验采样需要在每个噪声级别执行多次前向或反向传播,计算效率成为制约实时应用的主要瓶颈。
子问题之间存在严格的依赖关系。首先需解决生成先验的引入,即如何有效利用预训练模型作为隐式正则化器;其次需解决似然项的高效计算,包括梯度近似或无梯度搜索策略;进而解决计算效率瓶颈,通过潜空间操作或一致性模型加速采样;最后才能深入探讨理论保证与不确定性量化。盲逆问题(前向算子未知)和物理约束 PDE 逆问题是前向算子复杂时的特化子问题,依赖于基础后验采样框架的鲁棒性。若基础框架在可微线性算子下尚不稳定,则难以扩展到非线性或未知算子场景。
2013 年,Venkatakrishnan 等人提出的即插即用(PnP)框架奠定了利用预训练去噪器作为隐式先验的范式,通过交替执行数据保真步和去噪正则化步解决逆问题。这一框架确立了“分离数据保真与先验正则”的技术路线,为后续基于生成模型的逆问题求解提供了理论基础。2018 年,Ardizzone 等人提出可逆神经网络(INN),通过计算可追踪的雅可比行列式实现精确的后验采样,解决了传统生成模型在逆问题中似然计算困难的问题,成为盲反演和不确定性量化的重要工具。
2020 年,Sohl-Dickstein 等人提出扩散模型,通过逐步添加噪声将数据分布转化为高斯分布,并学习反向去噪过程。这一生成范式因其强大的分布建模能力,迅速成为逆问题中替代传统手工先验的主流选择。2022 年,Chung 等人提出扩散后验采样(DPS)算法,利用 Tweedie 公式近似似然项的梯度,引导扩散采样轨迹满足测量约束。该方法无需重新训练模型即可解决多种线性逆问题,确立了“训练免费”逆问题求解的技术路线,成为后续大量改进工作的基线。
2024 至 2025 年,领域进入精细化阶段。Lipman 等人提出的流匹配(Flow Matching)框架通过学习时间依赖的速度场将源分布传输到目标分布,相比扩散模型提供了更直接的 ODE 采样路径,在逆问题中展现出更高的采样效率和稳定性。与此同时,研究重心从单纯的像素级重建质量转向计算效率与理论保证,涌现出无梯度(Gradient-free)、潜空间(Latent)优化及基于流匹配的确定性求解器。2026 年,Zach 等人提出扩散后验采样算法的统计基准,基于 Levy 过程构建理论框架,提供了非渐近误差界和收敛性分析,填补了生成先验在理论保证方面的空白。
如果用一个核心问题概括该领域,那便是:如何在保持生成模型分布建模能力的同时,高效、稳定地从病态逆问题的后验分布中采样,并量化其不确定性。
2. 方法体系
2013:PnP框架——由Venkatakrishnan等人提出,将去噪算法作为先验嵌入迭代优化过程,通过交替执行数据保真步和去噪正则化步解决逆问题。
2018:可逆神经网络——Ardizzone等人提出利用可逆神经网络(INN)建模复杂非线性关系,确保输入输出空间的双射性。
2020:扩散模型——Sohl-Dickstein等人提出扩散模型,通过逐步添加噪声将数据分布转化为高斯分布,并学习反向去噪过程。
2022:DPS——Chung等人提出扩散后验采样算法,利用Tweedie公式近似似然项的梯度,引导扩散采样轨迹满足测量约束。
2023:一致性模型——Song等人提出一致性模型,学习将任意噪声水平样本直接映射到干净样本的函数。
2025:Flow Matching——Lipman等人提出流匹配框架,通过学习时间依赖的速度场将源分布传输到目标分布。
2025:对比学习引导——Ye等人提出CL-DPS,利用对比学习解决盲非线性逆问题。
2026:统计基准——Zach等人提出扩散后验采样算法的统计基准,基于Levy过程构建理论框架。
这条时间线勾勒了该领域方法演进的代表性节点:从 2013 年的 PnP框架 奠定该领域方法基线,经 2018 年 可逆神经网络 的推进,到 2026 年的 统计基准 代表当前前沿。各节点对应的技术路线、取舍与关联,详见后续小节。
2.1 扩散后验采样算法
扩散后验采样算法的核心在于利用预训练扩散模型作为先验,通过引导采样轨迹满足测量约束来恢复信号。Chung 等人提出的 DPS(Chung et al., 2022)是该路线的奠基工作,它利用 Tweedie 公式近似似然项的梯度,实现了“训练免费”的逆问题求解。然而,DPS 在低噪声级别存在稳定性问题,且依赖前向算子的可微性。针对这一局限,Basu 等人提出的对比扩散引导(Basu et al., 2025, P11)引入对比学习优化似然分数的近似,通过构建正负样本对引导扩散模型在满足空间约束的同时保持生成质量,解决了非线性前向算子下的稳定性问题。该方法放弃了梯度计算的精确性,换取了对复杂空间逆问题的鲁棒性,适用于室内布局重建等对空间结构要求较高的场景。
随着流匹配(Flow Matching)范式的兴起,研究重心转向更高效的采样路径。Pourya 等人提出的 Flower(Pourya et al., 2025, P10)将流匹配过程分解为条件期望计算、后验近似和轨迹更新三个步骤,利用预训练速度网络进行无条件流匹配。Flower 的创新在于提供了严格的贝叶斯构造,证明了在特定假设下采样过程收敛于真实后验分布,增强了方法的理论可信度。其局限性在于假设源分布和目标分布独立,且依赖速度网络的最优训练。Askari 等人提出的 LFlow(Askari et al., 2025, P17)进一步将推断分解为数据保真和正则化交替步骤,利用潜空间中的流匹配机制生成后验样本,显著降低了计算开销。LFlow 依赖于预训练潜流模型的解码器质量,且在处理高度病态问题时可能需要更多的采样步骤,但其在多个线性逆问题任务中展现出与全监督方法相当的性能,为无训练逆问题求解提供了高效的新范式。
此外,Ahmed 等人提出的 RePS(Ahmed and Makin, 2025, P18)通过周期性重启采样过程以改善后验分布的探索,利用重启机制避免采样陷入局部极小值,提高了多模态后验分布的覆盖能力。其代价是增加了采样步数和计算时间,且重启策略的超参数选择对性能有显著影响。Zhang 等人提出的 PGM(Zhang et al., 2026, P35)则通过学习近端算子近似 Moreau 分数,实现了显式、平滑且渐近等价的后验密度访问,减少了采样过程中的数值不稳定性。这些方法共同构成了扩散后验采样算法的丰富谱系,从梯度引导到无梯度搜索,从像素级到潜空间,不断平衡重建质量与计算效率。
2.2 PDE物理逆问题求解
PDE 物理逆问题求解聚焦于偏微分方程约束下的逆问题,结合神经算子、物理信息约束与生成先验,解决流体力学、地质物理等领域的参数反演。Lu 等人提出的 DeepONet(Lu et al., 2021)是这一路线的早期代表,用于近似无限维函数空间之间的映射,为物理约束下的逆问题提供了快速的前向模型替代。Fang 等人提出的 DeepONet-NTK 混合框架(Fang et al., 2025, P15)进一步引入神经切线核(NTK)理论分析训练动态,确保模型在稀疏噪声数据下的鲁棒性,并在 Navier-Stokes 方程逆问题中展现出优越性能。
Bao 等人提出的统一物理信息生成算子框架(Bao and Zang, 2025, P16)将 PDE 逆问题建模为从观测数据到未知系数的映射,利用生成模型学习系数分布,并通过物理约束确保解的有效性。该框架在地震成像和材料设计等领域展现出潜力,推动了数据驱动与物理模型融合的进展。Shan 等人提出的 RED-DiffEq(Shan et al., 2025, P7)将扩散模型作为正则化项,通过 Tweedie 公式引导当前解向高概率区域移动,结合 PDE 求解器进行迭代优化,在地震成像中展现出优越性能。Lin 等人提出的 LD-DIM(Lin and He, 2025, P24)将高维导水率场编码到潜空间,利用预训练潜扩散模型作为代理,结合可微分水流求解器进行反演,在地下水流反演中展现出高效且准确的重建能力。
Wang 等人提出的 GeoFunFlow(Wang et al., 2025, P9)结合几何函数自编码器和条件扩散 Transformer,在潜空间中建模后验分布,支持任意传感器位置的重建,适用于不规则几何域上的 PDE 逆问题。Yang 等人提出的 PIS(Yang et al., 2025, P22)利用集合条件 Transformer 网络建模后验分布,结合流匹配或 DDPM 进行采样,支持稀疏、噪声和非结构化观测,在地下表征和结构损伤识别中展现出优越性能。这些方法共同解决了物理约束与生成先验的冲突问题,通过显式融入 PDE 约束,提高了科学计算逆问题的泛化能力与物理合理性。
2.3 盲反演与非线性算子
盲反演与非线性算子针对前向算子未知或非线性且不可微的盲逆问题,提出无需算子参数或梯度的求解框架。Ye 等人提出的 CL-DPS(Ye et al., 2025, P38)利用对比学习解决盲非线性逆问题,通过构建正负样本对优化扩散后验采样过程,无需已知前向算子参数即可恢复信号,突破了传统盲反演对算子梯度的依赖。Hu 等人提出的 PRISM(Hu et al., 2025, P5)通过分裂吉布斯采样解耦图像先验和未知参数先验,引入辅助变量处理强耦合和非凸问题,在 MRI 重建和盲去模糊中展现出优越性能。
Kim 等人提出的 FAST-DIPS(Kim et al., 2026, P30)在每个扩散层级执行单次校正-噪声更新,利用局部硬约束 MAP 和数据一致性约束,避免了昂贵的梯度计算,在多个逆问题任务中展现出高效且高质量的重建能力。Xu 等人提出的主动扩散推断(Xu et al., 2026, P37)通过迭代扩展参数域并重新训练扩散模型,自适应地探索后验分布,解决先验不完整导致的推断偏差,在远程 sensing 和核物理中展现出优越性能。Gunn 等人提出的可调复杂度潜生成模型(Gunn et al., 2026, P32)通过调整潜扩散模型的复杂度,平衡重建质量和计算效率,适应不同噪声水平和观测条件,在压缩感知和去噪中展现出优越性能。这些方法共同拓展了生成模型在未知退化场景下的应用边界,解决了梯度引导在盲逆问题中的失效问题。
2.4 生成先验理论分析
生成先验理论分析从数学角度分析生成模型作为逆问题先验的性质,包括恢复理论、稳定性、鲁棒性、不确定性量化及误差界证明。Leong 等人提出的扩散先验恢复理论(Leong and Traonmilin, 2025, P6)将扩散算法解释为广义投影梯度下降,证明了在受限等距性质下信号恢复的充分条件,填补了理论空白。Chang 等人提出的可证明扩散后验采样(Chang et al., 2025, P21)通过蒙特卡洛粒子估计后验分数,提供非渐近误差界,支持多模态后验分布,增强了方法的理论可信度。
van Leeuwen 等人提出的可逆生成模型(van Leeuwen et al., 2025, P2)利用可逆神经网络建模联合分布,通过可逆架构确保前向和反向映射的精确性,支持从观测数据到潜在变量的精确采样。Shekhar 等人提出的 VINA(Shekhar et al., 2026, P29)结合变分推断和可逆神经网络,通过预训练模型实现快速后验采样,避免了重复前向模型评估,在声学逆问题中展现出高效且准确的后验推断能力。Guo 等人提出的内在歧义与估计不确定性分离(Guo et al., 2026, P36)通过分解后验方差,区分由前向算子几何导致的内在歧义和由噪声推断导致的估计不确定性,揭示了逆问题不确定性的来源。Qiu 等人提出的 PnP 扩散先验不确定性量化基准(Qiu et al., 2026, P28)通过重复采样评估像素级方差模式,揭示“准确性陷阱”,即高 PSNR 不一定意味着正确的不确定性,提高了评估的全面性。这些工作共同构建了生成先验在逆问题中的理论框架,为算法设计提供了指导。
2.5 高效采样与加速策略
高效采样与加速策略致力于降低逆问题求解的计算成本,通过一致性模型、蒸馏、少步采样及优化器设计实现快速且高质量的重建。Gülle 等人提出的 PnP-CM(Gülle et al., 2025, P8)将一致性模型作为即插即用先验用于逆问题求解,利用一致性模型直接映射噪声样本到干净样本,避免了扩散模型的多步去噪过程,显著提升了采样速度。Bled 等人提出的多任务去噪器训练(Bled and Pitié, 2025, P19)通过联合训练多个去噪任务,学习通用的图像先验,提高了去噪器在不同逆问题中的泛化能力。
Tan 等人提出的 PnP 去噪器正则化与优化视角(Tan et al., 2025, P1)将 PnP 框架解释为单调算子分裂,提供了收敛性证明,并分析了不同去噪器对重建质量的影响,增强了方法的理论可信度。Jacome 等人提出的 UTOPY(Jacome et al., 2025, P4)利用同伦继续方法,从简单的保真度约束平滑过渡到复杂的保真度约束,训练展开算法,提高了训练稳定性和收敛速度。Sechaud 等人提出的等变分裂(Sechaud et al., 2025, P12)结合等变性和测量分裂,提供了自监督训练框架,降低了数据需求,提高了泛化能力,在加速 MRI 和稀疏视图 CT 中展现出优越性能。Wang 等人提出的鲁棒非负近端梯度算法(Wang et al., 2025, P14)引入滑动 Sigmoid 算子,处理非负约束,确保优化过程的稳定性和鲁棒性。Han 等人提出的实例自适应采样(Han et al., 2025, P3)根据实例难度动态调整采样密度,优先采样困难实例,提高了数据集的代表性和模型性能。Huan 等人提出的集合逆问题(Huan et al., 2026, P25)利用条件生成模型构建后验采样器,处理前向过程下的先验分布,适用于高能物理和全波形反演。这些方法共同解决了计算效率瓶颈,为实时逆问题重建提供了高效的新范式。
2.6 跨任务与多领域应用
上述方法路线并非孤立存在,而是在不同任务与领域中相互渗透与互补。扩散后验采样算法作为基础框架,其改进直接服务于 PDE 物理逆问题与盲反演场景。例如,Flower 的贝叶斯构造为 PIS 的集合条件流匹配提供了理论支撑,而 CL-DPS 的对比学习机制则借鉴了扩散引导中的稳定性优化思想。高效采样策略中的 PnP-CM 与一致性模型,不仅加速了通用图像复原,也为 PDE 逆问题中的神经算子训练提供了快速前向模型替代。生成先验理论分析中的恢复保证与不确定性量化基准,则为所有路线提供了统一的评估标准,揭示了“准确性陷阱”等共性问题。这种跨任务、跨领域的融合趋势,表明深度生成模型在逆问题中的应用正从单一技术突破走向系统性框架整合。
3. 关键共识、分歧与开放问题
3.1 领域共识
领域在“生成先验优于手工先验”上达成共识。预训练扩散模型和流匹配模型在复杂数据分布建模上显著优于传统手工正则化,能生成更逼真的重建结果。这一共识在多个基准上被反复验证:HRDIS 的 30.455 PSNR 与 FAST-DIPS 的 29.573 均大幅超越 TV 的 21.55,表明生成先验在重建质量上的绝对优势。与此相关的另一个共识是“后验采样优于 MAP 估计”。逆问题本质上是病态的,必须引入强先验约束才能从含噪观测中稳定恢复信号,单纯依赖数据保真项无法得到唯一解。后验采样能够量化不确定性并生成多样解,特别是在多模态解空间和高噪声场景下,更能反映逆问题的本质。
3.2 观点分歧
梯度引导与无梯度/对比学习引导之间的分歧,源于对算子可微性与鲁棒性的不同权衡。梯度引导方法(如 DPS/DAPS)在可微线性算子下能精确约束采样轨迹,重建质量高且理论可解释性强;而无梯度/对比学习方法(如 CPS/CL-DPS)在非线性、不可微或盲算子下更鲁棒,但收敛速度慢且缺乏理论保证。现有证据偏向:在 FFHQ 去模糊等可微线性任务上,梯度引导(SITCOM/HRDIS)PSNR 略高或相当;在盲运动去模糊上,无梯度/对比学习(PRISM)显著优于梯度方法(BlindDPS)。这一分歧的背后,是另一个更根本的争论:点估计精度与后验分布校准的优先级。高 PSNR 方法往往校准性差,科学应用更需后者,但缺乏统一的“校准性”评测指标与基准,导致分歧难以从理论上判定。
3.3 其他开放问题
最紧迫的工程问题是计算效率。当前基于扩散或流匹配的逆问题求解器推理时间较长(分钟级),难以满足实时应用需求。关键困难在于平衡采样步数与重建质量,未来需开发更高效的采样策略(如一致性模型、少步采样)或硬件加速架构。最根本的研究问题是盲逆问题的稳定性与不确定性量化的校准。盲逆问题的联合后验分布高度耦合且非凸,直接采样困难,现有方法多依赖交替优化或对比学习,收敛性与稳定性待验证。不确定性量化的校准缺乏准确的后验分布评估,导致在科学应用中无法可靠地量化风险。已知—争议—未知认知图谱显示:生成先验的有效性已知,梯度与无梯度的优劣争议未决,非线性/非高斯场景下的恢复保证未知。发展趋势将向“高效化”与“理论化”并行推进,流匹配与潜空间技术将成为主流,理论分析将指导算法设计。
4. 总结与展望
深度生成模型已重塑逆问题求解范式,从“手工正则化”转向“学习式先验”,核心矛盾在于生成模型的强大先验能力与似然项计算困难、采样效率瓶颈之间的张力。尝试过的路线包括梯度引导、无梯度搜索、潜空间优化及物理约束融合,但核心瓶颈仍是盲逆问题的稳定性与不确定性量化的校准。回扣第 1 章锚点句,如何在保持生成模型分布建模能力的同时,高效、稳定地从病态逆问题的后验分布中采样,并量化其不确定性,仍是领域核心问题。
未来可能突破的方向包括:优化求解器效率与实时性,通过一致性模型、少步采样或硬件加速架构实现分钟级到秒级的跨越;不确定性量化与校准,研究校准的采样算法及基于概率验证的评估基准;物理信息融合与 PDE 逆问题,发展物理信息生成算子及可微物理求解器集成框架。对进入者最值得做的一件事是:在统一骨干与统一预训练条件下,建立包含 NFE、Running Time 与校准性指标的综合评测基准,以公平比较不同路线的取舍,为算法设计提供可靠指导。
以上为节选,完整内容见ArxivReview