扩散模型如何降低叠层成像的扫描冗余？PCPS方法解析

叠层成像（Ptychography）是一种通过重叠衍射测量来重建样品图像的计算成像技术。其核心在于利用重叠区域提供的冗余信息实现稳健重建，但密集扫描也带来了采集时间和数据量的激增。减少扫描重叠可以提高效率，却会削弱物理约束，给重建带来挑战。近期一篇论文提出的渐进耦合后验采样（PCPS）方法，尝试用扩散模型的先验知识来弥补测量冗余的损失，并取得了优于传统迭代方法和现有扩散后验采样器的效果。

叠层成像的效率困境：扫描冗余与重建质量的权衡

叠层成像依赖重叠的衍射测量来获取冗余信息，这是实现高保真重建的基础。然而，扫描重叠越多，意味着采集时间更长、数据量更大，尤其对于X射线叠层成像这类实验资源宝贵的场景，效率成为瓶颈。降低扫描重叠可以显著提升测量效率，但物理约束随之减弱，重建问题变得更加病态。传统的迭代方法在低重叠条件下往往难以恢复出清晰的样品结构，因此需要引入额外的先验信息来补偿冗余的缺失。

叠层成像的重建本质上是一个相位恢复问题：探测器记录的是衍射pattern的强度，而相位信息丢失，需要通过计算反演。扫描重叠的作用是让相邻照明区域共享信息，形成过定（overdetermined）的方程组，从而提高反演的稳定性。当重叠率降低时，每个样品区域被独立测量的次数减少，方程组趋于欠定，噪声和模型误差的影响被放大。这类似于压缩感知中测量数与稀疏度之间的权衡，但叠层成像通常不显式假设样品稀疏，因此更依赖冗余测量来约束解空间。理解这一层关系有助于把握为何低重叠重建需要引入强先验。

扩散模型作为先验：机遇与挑战

扩散模型通过学习数据分布，能够提供强大的先验信息，有望在测量约束不足时引导重建走向合理解。然而，如何在后验采样过程中有效利用这种先验，尤其是在弱测量约束下，仍然是一个开放问题。现有的扩散后验采样器往往在探索解空间与保持测量一致性之间难以平衡：早期需要广泛探索以覆盖不确定性，后期则需要更强的约束以收敛到精确解。论文提出的PCPS方法正是针对这一矛盾进行设计。

扩散后验采样（diffusion posterior sampling）是一类将预训练扩散模型作为先验、在推理阶段结合测量算子的方法。其基本思路是利用贝叶斯公式，将后验得分分解为先验得分（由扩散模型提供）与似然得分（由测量一致性约束提供）。然而，似然得分通常难以精确计算，现有方法多采用近似，例如用测量残差的梯度来替代。在弱测量约束下，这种近似误差会被放大，导致采样过程要么偏离数据流形，要么过度拟合噪声。此外，扩散模型的先验是在自然图像上训练的，与叠层成像的复值样品分布存在域差异，这也是后验采样需要面对的实际挑战。

PCPS方法：渐进耦合的后验采样策略

PCPS的核心思想是渐进耦合：在重建初期，不确定性较高时，允许更广泛地探索解空间，避免过早陷入局部最优；随着重建逐渐精细化，逐步增强扩散引导的一致性，使结果向测量数据靠拢。这种动态调整策略不同于传统的固定权重后验采样，能够更好地适应弱测量约束下的重建过程。论文在真实X射线叠层成像数据上进行了实验，覆盖了不同的扫描重叠设置，验证了PCPS的有效性。

渐进耦合的思想与退火（annealing）和课程学习（curriculum learning）有相通之处：在优化或采样过程中，动态调整约束的强度，使系统先探索全局结构、再精修局部细节。在扩散后验采样中，这通常通过一个随采样步数变化的引导系数来实现——早期系数较小，允许先验主导、广泛探索；后期系数增大，使测量一致性占主导。PCPS的“耦合”还强调先验与似然之间的交互不是简单的加权求和，而是在采样轨迹上逐步协调二者的贡献。这种策略在概念上类似于朗之万动力学中的温度调度，但针对的是后验采样中先验与似然的平衡问题。

实验验证：低重叠下的显著提升

实验结果表明，PCPS在多个扫描重叠条件下均能持续提升重建精度，优于传统迭代方法和现有的扩散后验采样器，尤其在低重叠（即弱测量约束）场景下优势更为明显。这验证了扩散先验可以有效减少叠层成像重建所需的测量冗余，为提升成像效率提供了新途径。

意义与展望：推动高效叠层成像的发展

这项研究展示了扩散模型在计算成像中的潜力，不仅为叠层成像的低冗余重建提供了实用方法，也为其他受限于测量效率的成像技术提供了思路。未来，如何进一步优化扩散先验的利用效率、降低计算成本，以及将方法扩展到更多模态，值得关注。