跳到正文
arXiv · 机器人与计算机视觉· Junseo Bang, Daewon Choi, Dong Ju Mun, Se Young Chun·· 14 天前精选AI 评分78

FLINT:通过邻近初始化与有界随机性耦合解决流匹配逆问题

FLINT: Coupling Proximal Initialization and Bounded Stochasticity for Flow-Matching Inverse Problems

AI 导读

该论文针对成像逆问题中的流匹配生成后验采样提出 FLINT 框架。现有方法将轨迹空间优化与源空间初始化视为独立设计,而本文证明二者存在内在耦合并推导了统一稳定性界限。FLINT 通过两步法实现:首先利用流形约束的邻近目标函数在少量迭代内建立高保真起点,随后在受限随机性调度下执行引导采样以防止优势被噪声侵蚀。实验显示该方法在多种逆问题中实现了感知质量的最优和计算效率的优越性。

推荐理由

FLINT 提出将初始化邻近性与采样随机性耦合的新框架,在保持高保真起点的同时通过受限噪声注入提升逆问题求解效率。

来源:arXiv · 机器人与计算机视觉 · arxiv.org