Diffusion with Forward Models

面向随机逆问题：观测经过一个带随机性的退化过程后得到，目标是反过来恢复原始信号。去模糊、修补、压缩感知、稀疏视角三维重建都属于这一类。和常规生成任务的区别在于，退化过程本身是已知的物理规律，方法就是把这个规律用起来。

大多数扩散逆问题方法要么让网络去学退化过程，要么依赖成对数据训练。这里换了个做法：退化规律既然已知，就把它作为算子直接嵌入采样，每一步用观测算一个一致性引导，把中间状态往合理方向拉。省掉了学退化这一步，也让同一套流程能换算子复用。

不需要。这是它的主要卖点之一：只用单个退化观测就能求解，适合那些根本采不到配对样本的场景。代价是解不唯一、需要多跑几次采样来看结果的分布，而不是一次前向就出答案。

不适合。它是方法框架，没有现成界面，需要自己准备扩散模型底座、实现前向算子、调采样步数与引导强度。有扩散模型基础的研究者或工程师能改得动，普通用户想修图建议选封装好的产品。

可以，前提是新任务的前向过程能写成可微算子。换成模糊核就是去模糊，换成下采样矩阵就是超分或压缩感知，换成相机投影就是三维重建。算子写完接进采样循环即可，网络结构不用重设计。

最常见的是前向模型写得不准或引导强度设得极端。算子有偏差，引导会把采样带向错误区域；引导太强会过拟合观测、出现伪影，太弱又偏离观测。建议先在简单退化任务上把流程调通，再上复杂场景。