让经典图像重建「生成化」：SGPnP 与 SNaP 两条新路线
prof_kamilov · x · 2026-11-04
Ulugbek Kamilov 团队发布两条将经典图像重建方法升级为生成式的新工作：
- SGPnP（Stochastic Generative Plug-and-Play）：将预训练 score-based 扩散模型直接作为先验嵌入经典 Plug-and-Play 重建算法，无需反向扩散采样；关键技巧是去噪前注入噪声以匹配扩散模型训练分布，注入噪声还能平滑目标、帮助优化避开严格鞍点，配合退火收敛到稳定点。框架兼容 ADMM、HQS、PGM 等多种 PnP 更新，且注入噪声与去噪器噪声水平可不同。在大掩码修复和多线圈 MRI 重建上超过标准 PnP 基线，与扩散求解器竞争力相当。
- SNaP：升级前馈 U-Net 重建，实现一步后验采样。
两者主题一致：让经典重建方法「生成化」。
「多模态」频道最新
- 无 GPU 也能跑开源图像视频模型：按裸 GPU 时长计费的 CozyGPU 更省 — MissMoneyBalls · 2026-11-05
- 从静态图到可玩小游戏世界:Weave 创意工作流分享(附折扣码) — gizakdag · 2026-11-05
- 像素画转参考图:用长提示词生成复古街机风 Boss 战动画 — gizakdag · 2026-11-05
- 用 Weave 的 Gen Effect 把任意图片一键变像素画并做成游戏动画 — gizakdag · 2026-11-05
- Viggle 开源发布 Remake：换角色重制爆款视频，720p 每 10 秒 0.96 美元 — umesh_ai · 2026-11-05
- PianoBench 基准测试：开源音频模型最高仅 52.8% 准确率 — kastnerkyle · 2026-11-05