技术摘要：FlowLPS

问题陈述

本文探讨了利用预训练潜在流模型解决成像逆问题（从含噪测量值 $y = A(x_0) + n$ 中恢复信号 $x_0$）的挑战。尽管深度生成模型可作为强大的先验，但在有限的反向时间预算（有限的计算步数）下，无训练求解器面临着实际的权衡困境。

现有方法通常分为两类，在非线性潜在空间（例如由 VAE 解码器支配的空间）中各自存在明显的局限性：

1. 以细化为主导的求解器：这些方法（例如 FLAIR、Flower）通过局部优化激进地强制测量一致性。虽然它们能迅速降低测量误差，但其结果往往对初始化敏感，且可能扰动先验支持的轨迹，导致伪影或感知真实感下降。
2. 以采样为主导的求解器：这些方法（例如 DAPS）依赖随机朗之万动力学来探索后验分布。虽然它们保持了先验保真度和随机性，但通常需要过多的迭代才能收敛至锐利且符合测量的估计值，因此在固定预算下效率低下。

核心问题在于缺乏一种方法，能够在有限的推理步数内，有效地平衡随机后验探索与确定性测量驱动的细化。

方法论：FlowLPS

作者提出了 FlowLPS（朗之万 - 近端采样），这是一种旨在弥合两种运行模式之间差距的无训练混合求解器。该方法在每个反向时间步 $t$ 通过三阶段过程运行：

1. 面向后验的朗之万初始化

FlowLPS 不使用朗之万动力学作为长期后验采样器，而是利用少量朗之万更新（$N_L$ 步）来扰动模型预测的干净估计值（$\hat{z}_{0|t}$）。

• 机制：从流模型的预测开始，算法执行由条件后验梯度 $\nabla_{z_0} \log p(z_0|z_t, y)$ 引导的随机梯度更新。
• 目标：生成多样化的、面向后验的初始化，以探索局部吸引域，而非仅仅依赖流模型的确定性轨迹。

2. 局部 MAP 风格近端细化

在随机初始化之后，FlowLPS 应用局部最大后验（MAP）细化。

• 机制：算法在朗之万更新后的点初始化，求解一个近端优化问题。在先验和噪声的高斯假设下，这被表述为最小化一个复合目标函数：
  $$\min_{z_0} \|y - A(z_0)\|^2 + \frac{\sigma_n^2}{s_t^2} \|z_0 - \hat{z}_{0|t}^{(NL)}\|^2$$
  其中第一项强制测量一致性，第二项作为近端正则化项，使解保持在随机初始化附近。
• 目标：利用朗之万阶段提供的“良好”初始化，迅速将估计值收敛至锐利且符合测量的重建结果。

3. 受控 pCN 风格重加噪

为了在细化后稳定反向轨迹，FlowLPS 采用受预条件 Crank-Nicolson (pCN) 算法启发的受控重加噪步骤。

• 机制：不是为下一步完全抽取新的噪声向量，而是通过先前噪声估计与新高斯噪声的线性组合来刷新噪声分量：$\hat{z}_{1|t}^{(new)} = \rho_t \hat{z}_{1|t}^{(old)} + \sqrt{1-\rho_t^2}\epsilon$。
• 目标：注入必要的随机性以防止轨迹坍塌，同时保持与模型预测噪声方向的一致性，从而平衡探索与稳定性。

主要贡献

1. FlowLPS 框架：一种无训练潜在流逆求解器，将面向后验的朗之万初始化与局部测量一致的近端细化相结合。
2. 理论分析：局部分析证明了两个阶段的互补作用：朗之万更新提供随机探索以逃离不良局部极小值，而近端细化确保在有限步数预算内向局部极小值进行几何收缩。
3. 稳定机制：引入受控 pCN 风格的重加噪，在刷新噪声分量的同时保持轨迹连贯性。
4. 实证验证：全面的实验表明，与最先进基线相比，FlowLPS 在失真指标（PSNR、SSIM）和感知质量（FID、LPIPS）之间实现了更优越的平衡。

实验结果

作者在 FFHQ 和 DIV2K 数据集上评估了 FlowLPS，涵盖了五种线性逆问题：高斯去模糊、运动去模糊、超分辨率（$\times 12$）、框修复和随机修复。

• 性能平衡：FlowLPS 在感知指标（FID、LPIPS）上始终优于或持平于以细化为主导的方法（如 Flower），同时保持具有竞争力的失真指标。相反，在匹配的计算预算（40 次函数评估 NFEs）下，它在失真和感知指标上均显著优于以采样为主导的方法（如 DAPS）。
• 消融研究：
  • 朗之万步数（$N_L$）：中等数量的朗之万步数（例如 $N_L=5-7$）产生最佳结果。$N_L=0$ 会导致过度平滑的结果（以细化为主导），而过多的 $N_L$ 则会导致噪声大、不稳定的细节（以采样为主导）。
  • pCN 调度：自适应混合调度（$\rho_t = \sqrt{1-t}$）优于固定调度，表明随机刷新应取决于剩余的反向时间不确定性。
• 泛化性：在像素空间逆问题和相位恢复上的额外实验证实，朗之万 - 近端原理不仅限于潜在空间线性问题。

意义与主张

本文主张 FlowLPS 解决了逆问题求解中的一个关键实际差距：在有限计算预算下，随机探索与确定性细化之间的权衡。

• 实际效率：通过将朗之万更新视为初始化机制而非完整的后验采样，FlowLPS 避免了大量随机采样的高昂成本，同时也避免了纯优化方法对初始化的敏感性。
• 感知 - 失真权衡：该方法成功驾驭了感知 - 失真权衡，生成的重建结果既在数学上与测量值一致，又在感知上真实，避免了激进优化器的“过度平滑”伪影和收敛不足的采样器的“噪声”伪影。
• 局限性：作者谦逊地指出，FlowLPS 依赖于预训练的主干先验；因此，高度分布外（out-of-distribution）的输入仍可能产生伪影或幻觉细节，在医疗或法医成像等高利害应用中需要谨慎使用。