近日，从机器学习领域最具规模和影响力之一的区域性国际会议Asian Conference on Machine Learning（ACML）传来喜讯，浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI）研究员、助理教授孟祥明参与合作的论文《Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems》荣获最佳论文亚军奖（Best Paper Runner-Up Award），论文合作者为东京大学物理系以及智能物理研究中心教授Yoshiyuki Kabashima。该论文发表于全球机器学习领域的权威在线论文集“Proceedings of Machine Learning Research”（简称：PMLR），该论文集所收录论文均经过严格的审稿与编辑流程，确保学术价值与可靠性。PMLR汇集了诸如国际机器学习大会（ICML）、神经信息处理系统大会（NIPS）和人工智能与统计学习研讨会（AISTATS）等顶级会议的精华之作，致力于为学术界与工业界提供高质量和实时更新的论文资源，加速机器学习的理论与实践发展。（信息来源：PMLR官网）

▲ 获奖证书

随着扩散模型和基于流的生成模型（Flow-based Generative Model）的快速发展，利用生成模型解决有噪线性逆问题（如超分辨率、去模糊、去噪、图像上色等图像重构）引发了广泛的关注。尽管这些方法在重建性能上取得了显著进展，但目前大多数方法均依赖于扩散后试验采样（DPS）这一经典框架，需要通过重复利用反向传播计算梯度来估计似然得分函数（likelihood score），严重制约了推理速度。针对这一问题，该论文提出了一种新型的快速有效的解决方案DMPS，通过引入无信息先验（Non-informative Prior）假设，提出了似然得分函数一种简单的闭式解近似，避免了复杂的反向传播梯度计算；同时，论文还提出了针对扩散模型与流模型的一种统一框架，有效简化了不同生成模型用于线性逆问题的算法设计。论文针对各种噪声线性逆问题（如带噪声的超分辨率、去噪、去模糊和图像上色）以及不同数据集（如FFHQ与CelebA-HQ）进行了大量实验，实验结果表明，论文所提出的DMPS方法在重建性能上表现出极具竞争力甚至更优的结果，同时在推理速度上显著快于相应的基线方法（提高2-3倍）。

▲ 不同图像恢复任务在CelebA-HQ 256×256验证集上的结果，以及以秒为单位的平均推理时间

原文链接：https://github.com/mengxiangming/dmps

孟祥明，ZJUI助理教授，研究员

孟祥明，ZJUI助理教授、研究员。他于2011年在西安电子科技大学获得通信工程学士学位，2016年在清华大学获得信息与通信工程博士学位。

研究兴趣主要是概率机器学习、近似贝叶斯推理以及学习算法，包括扩散模型等概率生成模型及其在各种逆问题中的应用。相关研究成果以第一作者身份发表于 NeurIPS、ICML、ICLR、AAAI、AISTATS、IEEE JSAC 等国际顶尖期刊及会议。此外，他受邀担任机器学习顶级会议NeurIPS与ICLR的Area Chair领域主席，同时担任多个顶级期刊会议的审稿人，包括Statistics and Computing、IEEE TCOM、IEEE TIT、NeurIPS、ICML、ICLR、CVPR、AAAI、AISTATS 等，并曾获得深度学习领域顶级会议ICLR 2022杰出审稿人的荣誉称号。