FIRM 论文：算子感知流匹配重建，网络评估少 50 倍
prof_kamilov · x · 2026-10-07
WashU 与 UW-Madison 团队提出 FIRM（Flow-based Imaging via Regularized Minimization），一种用于成像逆问题的新方法。
- 核心思路：不同于以往在网络条件化或采样时做 guidance 的做法，FIRM 在学习到的条件速度场中显式应用前向算子，将最优速度表达为后验均值，并证明该均值是一个带数据一致性项的变分目标的最小化点，由此得到端到端训练、采样时无需 guidance 的速度场。
- 关键结果：在五个成像任务上取得领先重建质量，网络评估次数（NFE）比竞争 flow 方法少最多 50 倍；最佳失真设置下单张图像仅 0.24 秒（基线 13.03 秒）；N=2、K=5 时只需 10 次 NFE。
- 实用旋钮：调节采样步数即可控制失真—感知权衡（步数少偏重建精度，步数多恢复更多感知细节），无需重训模型。
所属事件:FIRM新方法把网络评估次数减少50倍(3 条相关)→
「研究」频道最新
- 用标准工具调用即可套出 GPT-6 等模型隐藏思维链 — jiqizhixin · 2026-10-07
- 新预印本：信息密集合成把分子发现实验数从 O(d) 降到 O(log d) — anshulkundaje · 2026-10-07
- UCLA 首次系统研究混合注意力 LLM 的多语言能力,发现层序可改 — UCLA · 2026-10-07
- NYU 提出 RGPO:自适应理由脚手架缓解 RL 奖励稀疏 — newyorkuniversity · 2026-10-07
- UCLA 借 MoE 路由输出做跨语言对齐,提升多语言性能 — UCLA · 2026-10-07
- HF Hub RL 任务条目超 1200 万,RL Environment Explorer 一站式浏览 — SergioPaniego · 2026-10-07