Plug-and-play Diffusion Models for Image Compressive Sensing with Data Consistency Projection

我们探讨了用于求解病态反问题（特别是单像素成像）的即插即用（PnP）方法与去噪扩散隐式模型（DDIM）之间的关联。我们首先指出了PnP方法与扩散模型在去噪机制和采样过程方面的关键区别。通过将扩散过程解耦为三个可解释的阶段：去噪、数据一致性约束和采样，我们提供了一个统一的框架，以有据可依的方式将学习得到的先验信息与物理前向模型相结合。在此基础上，我们提出了一种混合的数据一致性模块，该模块通过线性组合多个PnP风格的保真项来实现。这种混合校正方法被直接应用于去噪后的估计结果，在不干扰扩散采样轨迹的前提下，提升了测量数据的一致性。在单像素成像任务中的实验结果表明，我们的方法能够实现更优的重建质量。

该论文旨在解决单像素成像中的不适定逆问题，探索即插即用（PnP）方法与去噪扩散隐式模型（DDIM）之间的联系，并试图通过结合二者的优势提升图像重建质量。

论文的关键思路是将扩散过程解耦为三个可解释的阶段：去噪、数据一致性强制和采样，从而构建一个统一的框架，将学习先验与物理前向模型以有原则的方式结合起来。在此基础上，提出了一种混合数据一致性模块，通过线性组合多个PnP风格的保真项，并将其直接应用于去噪估计，以提升测量一致性而不破坏扩散采样轨迹。

1. 提出了一种新的混合数据一致性模块，结合了PnP方法和扩散模型的优点。 2. 实验结果表明该方法在单像素成像任务中实现了更优的重建质量。 3. 提供了对PnP和扩散模型之间联系的深入分析，为未来研究提供了理论基础。 4. 论文设计了针对性实验验证方法有效性，但未提及是否使用公开数据集或开源代码。

1. Denoising Diffusion Probabilistic Models (DDPM) 2. Plug-and-Play Image Restoration Using Deep Denoiser Priors 3. Diffusion Models Beat GANs on Image Synthesis 4. Score-Based Generative Modeling through Stochastic Differential Equations 5. Iterative Plug-and-Play Methods for Inverse Problems