Invertible Diffusion Models for Compressed Sensing

本文介绍了一种名为Invertible Diffusion Models（IDM）的新型高效端到端扩散压缩感知（CS）方法，以解决现有CS神经网络需要从头开始训练的限制和部署速度慢的问题。IDM采用大规模扩散采样过程作为重建模型，并对其进行端到端微调，以直接从CS测量中恢复原始图像，跳出传统的一步噪声估计学习范式。为了实现这种内存密集型的端到端微调，我们提出了一种新的两级可逆设计，将（1）多步采样过程和（2）每个步骤中的噪声估计U-Net转换为可逆网络。实验表明，IDM在PSNR方面的表现比现有最先进的CS网络提高了最多2.64dB。与最近的扩散模型DDNM相比，我们的IDM实现了最高10.09dB的PSNR增益和14.54倍的更快推理速度。此外，我们还开发了一组轻量级模块，将测量注入到噪声估计器中，进一步促进重建。

本论文旨在解决当前压缩感知神经网络需要从头开始训练的问题，提出了一种基于可逆扩散模型的高效端到端压缩感知方法。

本文提出的Invertible Diffusion Models (IDM)利用大规模扩散采样过程作为重建模型，并进行端到端微调，以直接从压缩感知测量中恢复原始图像。

本文提出的IDM方法在PSNR上优于现有的压缩感知网络，比基于扩散模型的DDNM方法具有更高的PSNR增益和更快的推理速度。论文还提出了一些轻量级模块来进一步促进重建。

与本文相关的研究包括基于扩散模型的DDNM方法以及其他压缩感知网络，如DeepInverse和TVAL3。