PPR-2209.14687 Paper

定位

提出 Diffusion Posterior Sampling（DPS）的原始论文（ICLR 2023）。面向扩散模型解逆问题：此前扩散求解多限于无噪线性逆问题，本文推广到一般带噪（非）线性逆问题。核心机制：以训练好的扩散模型近似后验期望 \(\mathbb{E}_{q_{0t}}[\mathbf{x}^{(0)}\mid\mathbf{x}^{(t)}]\)，再过测量算子与数据似然，得到免训练引导梯度注入采样——无需额外训练分类器/网络，即可把任意可微的测量/似然约束融入扩散采样。

方法（机制要点）

• 免训练引导：后验期望用模型输出 \(\mu_\theta\) 近似（不用训练额外分类器），引导梯度直接注入采样——这是 classifier guidance（PPR-2105.05233）向“无需额外网络”方向的推广。
• 一般逆问题：支持高斯/Poisson 等噪声统计、非线性测量（相位恢复、非均匀去模糊），并论证其在带噪设定下产生比严格测量投影更理想的生成路径（后验期望近似而非硬投影）。

与 G2DP 的关系

G2DP（PPR-2606.26017）在引导机制谱系（SYN-003 支 1）的中间环节：DPS 的“免训练引导 + 模型输出近似后验”被 Diffusion Planner（PPR-2501.15564，CLM-035：训练后行为可经 DPS 免训练实现）吸收进驾驶规划，G2DP 再继承该免训练引导路径、把能量从稀疏几何换成稠密时空 cost volume。“末段施加”是 G2DP 与 Diffusion Planner 共享的回避手段（DPS 近似在早段误差大的经验对冲）。

承重关系

• 谱系锚点：引导机制谱系（classifier guidance PPR-2105.05233 → DPS → Diffusion Planner CLM-035 → G2DP），SYN-003 支 1 记其角色；G2DP AX-1 与 Diffusion Planner DPS 引导的机制依据。
• provenance：v4 tarball sha256 402b1e07…0081da4，缓存 cache/sources/2209.14687/。