Solving Diffusion Inverse Problems with Restart Posterior Sampling¶

会议: ECCV 2026
论文: ECCV 2026 官方页 / 项目页 RePS
领域: 图像生成
关键词: 扩散逆问题, 后验采样, 重启采样, plug-and-play 先验, 图像恢复

一句话总结¶

RePS 把无条件扩散采样里的「重启采样」（分段积分 ODE + 周期性大加噪抹掉累计近似误差）推广到后验推断：每一轮用若干步测量条件 ODE 把样本推到干净区，每步只在 \(x_0\) 空间解一个 MAP 子问题（因此完全不反传 score 网络），再用前向扩散把样本加噪回一个退火下降的重启噪声级重开一轮，在 FFHQ/ImageNet 的 5 个线性与 3 个非线性逆问题上取得比 DAPS、DPS、DDRM、DDNM、DiffPIR 等更强的综合表现。

研究背景与动机¶

逆问题的目标是从间接、不完整或带噪的观测 \(y = h(x_0) + z\) 里恢复真实信号 \(x_0\)，医学成像、计算摄影、神经科学里到处都是这类问题。近年的主流做法是不再手写解析先验（总变差、\(\ell_2\) 惩罚之类），而是用预训练扩散模型充当隐式的强先验。本文只关心其中「plug-and-play」的一支：训练好的无条件扩散模型不动，靠推理阶段的算法把它适配到任意逆问题上（同一数据集内）。这条路线上有两种基本思路，各有硬伤。第一种把优化和采样解耦——先无条件采样/去噪到像素空间，再在 \(x_0\) 空间施加测量约束（DCDP 用梯度下降求 MAP，DAPS 用 Langevin 动力学从后验采样），然后靠前向扩散把样本送回更低的噪声级。它确实避开了反传，但反向扩散过程本身对测量约束是「盲」的，等于把大部分算力花在生成一个可能根本不合约束的样本上，效率低下。第二种让似然和先验联合优化，但既然两者的空间要靠反向扩散网络连接，这类方法几乎都必须把梯度反传穿过 score 网络：DPS 把测量算子「提升」到噪声样本 \(x_t\) 上，需要算 score 的 Jacobian；Graikos 等的变分推断方案要做一次「反向扩散再前向扩散」的往返。计算代价高，而且常常被限制在线性测量算子上。

真正的障碍在于：迭代采样需要的量是噪声样本上的似然分数 \(\nabla_{x_t}\log p(y|x_t)\)，而测量模型只给出干净样本上的 \(\nabla_{x_0}\log p(y|x_0)\)，两者之间没有通用的闭式关系。但作者注意到，流行的 DDIM 采样器其实提供了一条绕开它的出口：从 \(x_t\) 到 \(x_{t-1}\) 的一步 ODE 更新，可以完全用后验众数 \(\mathbb{E}[X_0|x_t,y]\) 来表达；而要找到这个 \(x_0\)（比如用几步梯度下降），根本不需要穿过 score 网络。原因很直白——这个子问题问的是「什么样的干净图像 \(x_0\) 既像当前样本的去噪版本、又满足测量约束」，而不是「什么样的噪声样本 \(x_t\) 最符合这个去噪器」，梯度只落在 \(h\) 上。

不过近似终究会累积。作者借用了 Xu 等人在无条件扩散采样上的一组结论：NFE 预算小时，ODE 因为离散误差小而占优；预算大时，SDE 因为持续注入随机性、收缩累计近似误差更快而反超；而「分段数值积分 ODE + 周期性加一大笔噪声」的重启方案能同时拿到两者的好处。Xu 等人只给了这个想法，没给出简单的重启日程（他们在多个任意噪声级上反复重开）。核心 idea：把重启采样从无条件生成推广到后验推断——每一轮的条件 ODE 积分就是重启框架的「第一阶段」，重启就是把刚刚算出的 \(x_0\) 按 VE 前向过程加噪回一个逐步退火的噪声级 \(\sigma_r\)（第二阶段），从而在不反传 score 网络的前提下周期性地把近似误差一次性抹掉。

方法详解¶

整体框架¶

RePS 的输入是一个预训练的无条件扩散模型 \(s_\theta\)（按 Karras 等人的做法统一用 VE-SDE 形式、噪声日程 \(\sigma(t)=t\)）、测量 \(y\) 与一个可微的测量算子 \(h\)，以及一组采样超参（\(\sigma_{\max},\sigma_0,\sigma_{\min},\sigma_{\text{res}},N_{\text{res}},N_{\text{ode}},\rho_{\text{ode}},\rho_{\text{res}}\)）；输出是后验分布的一个样本 \(x_0\)。整个过程不训练任何东西，只是一条由两个阶段交替构成的采样轨迹：

阶段一 · 条件 ODE 积分：从当前噪声级 \(\sigma_r\) 出发，用 \(N_{\text{ode}}\) 步 Euler 积分一条「测量条件 ODE」降到 \(\sigma_0=0.01\)。每一步先用 Tweedie 关系得到无条件的去噪估计 \(\mathbb{E}[X_0|x_t]\)，再在 \(x_0\) 空间解一个「既贴住测量、又贴近去噪估计」的 MAP 子问题得到 \(\hat x_{0|y}\)，最后用它构造该步的 ODE 更新。
阶段二 · 重启：把这一轮走出来的 \(x_0\) 按前向扩散加噪到下一个（更低的）重启噪声级 \(\sigma_{r-1}\)，也就是从 \(\mathcal{N}(x_0,\sigma_{r-1}^2 I)\) 重新采一个样本，然后回到阶段一。

重启噪声级本身也走一条从 \(\sigma_{\text{restart}}\) 退火到固定 \(\sigma_{\min}=0.1\) 的多项式日程，于是整条轨迹就是「一小段干净的条件 ODE + 一次大加噪」不断重复，且每重复一次，抖动幅度就更小一点。论文特别强调，这个两阶段视角并不是 RePS 独有的：把最近的一批后验采样方法都按「做多少步 ODE / 约束放在积分内还是积分后」拆开看，它们全都落在这个框架里，RePS 只是占据了此前没人走过的那一维。

关键设计¶

1. 测量条件的 ODE 步：把后验分数换成 \(x_0\) 空间的 MAP 子问题

在 VE-SDE 下，用后验分数驱动的反向 ODE 做一步 Euler 积分，可以改写成让当前样本朝条件后验均值收缩的形式：

\[x_{t-\Delta t} = x_t - \frac{\sigma(t)-\sigma(t-\Delta t)}{\sigma(t)}\Big(\mathbb{E}[X_0\,|\,x_t,y] - x_t\Big)\]

也就是说，每一步「往哪走、走多远」完全由后验均值 \(\mathbb{E}[X_0|x_t,y]\) 决定（其等价形式是 \(\nabla_{x_t}\log p(x_t|y) = (\mathbb{E}[X_0|x_t,y]-x_t)/\sigma^2(t)\)）。问题在于这个均值没有闭式。作者的替代方案是用后验众数（MAP）去近似它：由 \(p(x_0|x_t,y)\propto p(y|x_0)\,p(x_0|x_t)\)，把无条件项 \(p(x_0|x_t)\) 近似成高斯 \(\mathcal{N}(\mathbb{E}[X_0|x_t],\sigma_t^2 I)\)，MAP 子问题就变成一个两项互相拉扯的最小二乘：

\[\hat{x}_{0|y} = \arg\min_{x}\ \frac{1}{2\sigma_n^2}\lVert y - h(x)\rVert_2^2 + \frac{1}{2\sigma_t^2}\lVert x - \mathbb{E}[X_0\,|\,x_t]\rVert_2^2\]

第一项要求测量一致，第二项要求别偏离去噪器给出的可信估计太远；实践中把 \(\sigma_n^2/\sigma_t^2\) 合成一个不随时间变化的可调权重 \(\lambda\)。这里最关键的一步取舍是：Li 与 Wang 把该优化对线性问题写成闭式解，代价是采样器被绑死在线性（或极少数特殊非线性）算子上；RePS 放弃闭式解，每一步只用若干次梯度下降迭代去解它，于是任何可微的 \(h\)——线性的超分/修复/去模糊，非线性的相位恢复、HDR——都可以直接插进来。因为优化变量是 \(x_0\) 而不是 \(x_t\)，梯度不穿过扩散网络，所以相比 DPS 那一类需要 score Jacobian 的方法，计算开销反而更低。

2. 只在干净区触发的简化重启日程

条件 ODE 一路积到底会累积误差：score 网络本身不完美，Euler 离散也有残差，越接近 \(\sigma_0\) 误差越容易被放大成可见的伪影。DAPS/DCDP 的对策是把轨迹切成很多小段，每段结束都做一次约束再前向加噪；Xu 等人的重启则是在多个任意噪声级上反复重开、每个级数还要重复若干次，超参多、实现复杂。RePS 把触发判据简化到极致：只有当样本被积到 \(\sigma_0\)（无噪声区）时才重启一次，把 \(x_0\) 按 VE 前向过程加噪回重启级，即 \(x_r \sim \mathcal{N}(x_0,\sigma_r^2 I)\)；而重启级序列 \(\{\sigma_r\}\) 复用和 ODE 模拟器同一种多项式内插日程（\(\rho_{\text{res}}=15\)），从任务相关的 \(\sigma_{\text{restart}}\) 单调退火到固定的 \(\sigma_{\min}=0.1\)。作者发现把重启迭代集中在小噪声级上效果更好，因此只调 \(\sigma_{\text{restart}}\) 一个值、\(\sigma_{\min}\) 全任务固定。

这样做的收益在于「大噪声一次到位」：一次大加噪会把之前若干步里攒下的近似误差整体打散（论文的说法是 stochastic restart obliterates accumulated approximation error），而由于重启分布的均值就是刚刚算出的那张 \(x_0\)，已经找到的合理模式不会被丢掉，这一点和「从头重新采样」有本质区别。相比之下 SDE 采样是每一步撒一点小噪声，虽然也在收缩误差，却把大量 NFE 花在了噪声注入上；RePS 的「多步干净 ODE + 偶尔大噪声」因此同时拿到了 ODE 的低离散误差和 SDE 的误差收缩能力。

3. 每次重启跑多步条件 ODE：占据设计空间里没被走过的那一维

作者把近期方法放到一个二维设计空间里重新定位：一个轴是每次重启内做多少步（无条件）ODE，另一个轴是约束是嵌在 ODE 积分内部，还是等积分结束后单独做。沿坐标原点看，Li 与 Wang、DiffPIR 只做一步条件 ODE 就结束（Tweedie 去噪 + 一步约束），两者落在两条轴的交点上，本质上等价于 DCDP 的「Tweedie 特例」——DiffPIR 与它们唯一的区别是重启前会把 MAP 估计朝噪声样本插值回去。沿「先自由积分再单独约束」这条轴走的是 DCDP 与 DAPS：它们先跑多步无条件 ODE，再回到 \(x_0\) 空间做一次约束（DCDP 用梯度下降求 MAP，DAPS 用 Langevin 动力学做真正的后验采样）。而「把约束放进积分内部、一次跑多步」这一维此前基本是空白，RePS 就站在这里：每次重启内跑 \(N_{\text{ode}}\) 步条件 ODE（主实验统一取 10 步）。

机制上这为什么更好，作者的解释是：约束被直接编进了 ODE 轨迹本身，每一步都在把轨迹朝想要的那个模式引导；而「先产生一个无约束样本、再事后纠正」的做法，一旦自由采样已经漂到坏模式上，后面的纠正就很难拉回来。因此 RePS 收敛更快、重建质量更好。论文的步数敏感性实验（固定总预算 1000 NFE 的超分任务）也支持这一点：增加重启之间的 ODE 步数初期是有效的，但收益有边界——LPIPS 在超过约 20 步后开始变差，PSNR 则在约 2 步附近就到峰，说明「重启抹除误差」与「单段 ODE 的引导精度」之间存在权衡。⚠️ 需要注意，主实验统一用 10 步/重启，与这条敏感性曲线的峰值位置并不完全一致，具体超参见原文补充材料。

一个完整示例¶

拿 FFHQ 上的 4× 超分走一遍。\(h\) 是 4 倍双三次下采样，\(\lambda\) 按任务调好。采样从 \(\sigma_{\max}=100\) 起步，先取 \(x_K\sim\mathcal{N}(0,100^2 I)\)。第一轮里，10 步条件 ODE 按 \(\rho_{\text{ode}}=7\) 的多项式日程从 \(\sigma=100\) 一路降到 \(\sigma_0=0.01\)：每一步先让模型给出 \(\mathbb{E}[X_0|x_t]\)，再对 \(x_0\) 做若干次梯度下降，把重建往「下采样后等于 \(y\)」的方向拉，得到 \(\hat x_{0|y}\)；然后用上面那条收缩式把样本从 \(x_t\) 推到 \(x_{t-\Delta t}\)。走完 10 步，手里是一张大致干净的重建。接着进入重启：按 \(x_r\sim\mathcal{N}(x_0,\sigma_r^2 I)\) 把它加噪到 \(\sigma_{\text{restart}}\)（该值按任务单独调，论文放在补充材料里），再重新跑 10 步条件 ODE。如此反复，每一轮的重启级沿 \(\rho_{\text{res}}=15\) 的多项式日程退火下降，直到 \(\sigma_{\min}=0.1\)；所有轮次跑完后返回最后一次得到的 \(x_0\)。整个过程的采样预算线性任务约 1000 NFE、非线性任务约 4000 NFE。可以看到「重启到底重启了什么」这一步：它并不是丢掉结果从头来，而是把当前这张已经不错的图重新打散到一个较高的噪声级上，让下一段 ODE 在一个误差更干净、但仍靠近解的起点上重跑。

损失函数 / 训练策略¶

RePS 完全训练-free，没有任何需要训练的模块或损失函数，只有推理期的采样超参。全局固定：\(\sigma_{\max}=100\)、\(\sigma_0=0.01\)、\(\sigma_{\min}=0.1\)、每次重启 10 步条件 ODE、\(\rho_{\text{ode}}=7\)、\(\rho_{\text{restart}}=15\)。按任务分别调的是四个量：重启起始噪声级 \(\sigma_{\text{restart}}\)、每步 MAP 子问题的梯度更新次数 \(N\)、学习率 \(\eta\) 与权重 \(\lambda\)（具体取值在补充材料）。两套预训练权重都是现成的公开模型：ImageNet 256×256 用 Dhariwal 与 Nichol 发布的模型，FFHQ 256×256 用 Chung 等人（DPS）提供的模型；两者虽然按 DDPM/VP-SDE 训练，但按 Karras 等人的做法统一用 VE-SDE 采样器驱动。

实验关键数据¶

主实验¶

评测在 ImageNet 256×256 与 FFHQ 256×256 上各取 100 张验证图。线性任务五个：4× 超分（双三次下采样）、box 修复（128×128 随机位置方块遮挡）、随机修复（随机遮 70% 像素）、高斯去模糊（61×61 核、标准差 3.0）、运动去模糊（61×61 核、标准差 0.5）。非线性任务三个：相位恢复（只给傅里叶幅度，2× 过采样，每个测量生成 4 个重建取最好）、非线性去模糊（用 Tran 等人公开的模糊核网络制造退化）、HDR 重建（像素强度压缩 2×）。所有任务的测量上都加了 \(\sigma_n=0.05\) 的高斯噪声。基线包括 Li & Wang、DAPS、DDRM、DDNM、DPS、DCDP、FPS-SMC、DiffPIR（线性）与 DAPS、DPS、RED-diff、DCDP（非线性），指标为 PSNR↑ / SSIM↑ / LPIPS↓。

表 1：FFHQ 线性逆问题（PSNR / SSIM / LPIPS）

方法	4× 超分	Box 修复	随机修复	高斯去模糊	运动去模糊
RePS（本文）	29.95 / 0.845 / 0.155	24.32 / 0.844 / 0.122	32.49 / 0.899 / 0.090	29.92 / 0.841 / 0.146	32.27 / 0.875 / 0.115
Li and Wang	29.21 / 0.805 / 0.256	24.75 / 0.817 / 0.167	34.11 / 0.926 / 0.071	29.89 / 0.831 / 0.217	29.90 / 0.766 / 0.207
DAPS（官方代码）	29.55 / 0.793 / 0.186	24.88 / 0.755 / 0.174	30.94 / 0.807 / 0.155	29.75 / 0.794 / 0.177	31.80 / 0.843 / 0.135
DPS	25.86 / 0.753 / 0.269	22.51 / 0.792 / 0.209	25.46 / 0.823 / 0.203	25.87 / 0.764 / 0.219	24.52 / 0.801 / 0.246
DDRM	26.58 / 0.782 / 0.282	22.26 / 0.801 / 0.207	—	24.93 / 0.732 / 0.239	—
DDNM	28.03 / 0.795 / 0.197	24.47 / 0.837 / 0.235	29.91 / 0.817 / 0.121	28.20 / 0.804 / 0.216	—
DCDP	28.66 / 0.807 / 0.178	23.89 / 0.760 / 0.163	30.69 / 0.842 / 0.142	27.50 / 0.699 / 0.304	25.08 / 0.512 / 0.364
FPS-SMC	28.42 / 0.813 / 0.204	24.86 / 0.823 / 0.146	28.21 / 0.823 / 0.261	26.54 / 0.773 / 0.253	27.39 / 0.826 / 0.227
DiffPIR	26.64 / — / 0.260	—	—	27.36 / — / 0.236	26.57 / — / 0.255

表 2：ImageNet 线性逆问题（PSNR / SSIM / LPIPS）

方法	4× 超分	Box 修复	随机修复	高斯去模糊	运动去模糊
RePS（本文）	26.12 / 0.708 / 0.259	20.71 / 0.787 / 0.186	28.97 / 0.829 / 0.115	26.21 / 0.703 / 0.255	28.95 / 0.801 / 0.169
Li and Wang	25.68 / 0.682 / 0.307	21.39 / 0.779 / 0.217	29.67 / 0.861 / 0.114	25.75 / 0.681 / 0.296	27.70 / 0.733 / 0.238
DAPS（官方代码）	25.70 / 0.654 / 0.285	21.40 / 0.721 / 0.228	27.72 / 0.742 / 0.177	26.00 / 0.668 / 0.260	28.87 / 0.781 / 0.171
DPS	21.13 / 0.489 / 0.361	18.94 / 0.722 / 0.257	23.52 / 0.745 / 0.297	20.31 / 0.598 / 0.397	18.96 / 0.629 / 0.423
DDRM	22.62 / 0.521 / 0.324	18.63 / 0.733 / 0.254	—	21.26 / 0.564 / 0.443	—
DDNM	23.96 / 0.604 / 0.475	21.64 / 0.748 / 0.319	31.16 / 0.841 / 0.191	28.06 / 0.703 / 0.278	—
FPS-SMC	24.82 / 0.703 / 0.313	22.16 / 0.726 / 0.208	24.52 / 0.701 / 0.316	23.91 / 0.601 / 0.387	24.52 / 0.647 / 0.326
DiffPIR	23.18 / — / 0.371	—	—	22.80 / — / 0.355	24.01 / — / 0.366

表 3：非线性逆问题（FFHQ / ImageNet，均值±标准差）

任务	方法	FFHQ PSNR	FFHQ SSIM	FFHQ LPIPS	ImageNet PSNR	ImageNet SSIM	ImageNet LPIPS
相位恢复	RePS	30.41±4.45	0.824±0.119	0.152±0.107	20.12±7.18	0.449±0.260	0.419±0.184
相位恢复	DAPS	30.72±3.15	0.809±0.081	0.157±0.073	22.32±6.51	0.514±0.219	0.343±0.155
相位恢复	DPS	17.64±2.97	0.441±0.129	0.410±0.090	16.81±3.61	0.427±0.143	0.447±0.099
相位恢复	RED-diff	15.60±4.48	0.398±0.195	0.596±0.092	14.98±3.75	0.386±0.057	0.536±0.129
相位恢复	DCDP	28.65±8.09	0.781±0.217	0.203±0.196	—	—	—
非线性去模糊	RePS	29.02±1.76	0.797±0.031	0.165±0.030	27.58±3.28	0.745±0.082	0.191±0.056
非线性去模糊	DAPS	28.79±1.54	0.781±0.033	0.177±0.030	27.47±3.21	0.737±0.084	0.198±0.052
非线性去模糊	DPS	23.39±2.01	0.623±0.082	0.278±0.060	22.49±3.20	0.591±0.101	0.306±0.081
非线性去模糊	RED-diff	30.86±0.51	0.795±0.028	0.160±0.034	30.07±1.41	0.754±0.023	0.211±0.083
非线性去模糊	DCDP	27.92±2.64	0.779±0.067	0.183±0.051	—	—	—
HDR 重建	RePS	27.96±3.54	0.872±0.080	0.145±0.071	26.37±4.05	0.843±0.117	0.157±0.103
HDR 重建	DAPS	27.52±3.58	0.840±0.084	0.157±0.064	26.50±4.70	0.812±0.140	0.170±0.113
HDR 重建	DPS	22.73±6.07	0.591±0.141	0.264±0.156	19.23±2.52	0.582±0.082	0.503±0.106
HDR 重建	RED-diff	22.16±3.41	0.512±0.083	0.258±0.089	22.03±5.90	0.601±0.094	0.274±0.198

消融实验¶

分析维度	配置	结果	说明
采样器类型（FFHQ 高斯去模糊）	同一条件 ODE 但不重启	低 NFE 收敛最快、离散误差小，高 NFE 被反超	原始 ODE 采样器基线
采样器类型	用 Euler–Maruyama 离散出的 SDE（同样条件、连续注入噪声）	高 NFE 时优于纯 ODE，靠随机噪声收缩累计误差	相当于每步撒小噪声
采样器类型	RePS	全 NFE 区间同时取得最快收敛与最佳 PSNR / LPIPS	短 ODE 段 + 周期性大加噪兼得两者
重启间条件 ODE 步数（超分，固定 1000 NFE）	1 步（≈ Li and Wang / DiffPIR）	左端点即单步条件 ODE 的极限情形	落在设计空间原点
重启间条件 ODE 步数	约 2 步	PSNR 到峰	引导精度与重启频率的权衡
重启间条件 ODE 步数	10 步（主实验默认）	综合表现最好	与补充材料的超参表一致
重启间条件 ODE 步数	超过约 20 步	LPIPS 开始变差	单段 ODE 过长、误差重新累积
像素 vs 潜空间（FFHQ，补充材料）	RePS (latent)	略差于像素空间版本	方法可直接扩展到 latent diffusion
后验校准（box 修复 / 相位恢复，补充材料）	ensemble skill / spread / spread-to-skill	比值非平凡，未坍缩为点估计	box 修复的空间 spread 图显示掩码内不确定性大于掩码外
采样时间（各任务最大 NFE，线性 1k / 非线性 4k）	RePS vs DAPS 逐图计时	线性任务略快、非线性任务略慢	总体可比，差异很小

（上表中采样器类型与 ODE 步数的敏感性，原文以 Fig. 3 的曲线给出，未附独立数值表；本表按其结论描述，具体坐标以原文为准。）

关键发现¶

综合最优但并非每格全胜。RePS 在任务覆盖面上最强，却被个别基线在个别格子上反超：FFHQ 随机修复上 Li and Wang 的 34.11 / 0.926 / 0.071 全面优于 RePS（32.49 / 0.899 / 0.090）；ImageNet 高斯去模糊上 DDNM 的 PSNR 28.06 高于 RePS 26.21（但 LPIPS 0.278 更差）；ImageNet box 修复上 FPS-SMC（22.16）与 DDNM（21.64）的 PSNR 也高于 RePS 的 20.71。作者据此的表述是「综合最优」，逐任务看则需要按指标取舍。
DAPS 是最强基线，也是唯一被单独讨论的一个。FFHQ 上 RePS 在全部任务上胜过 DAPS；ImageNet 上 RePS 在四个任务上更好、三个任务上接近、一个任务（相位恢复，20.12 vs 22.32 PSNR）明显落后——这也是作者在正文中唯一承认的大幅劣势。
非线性去模糊上出现指标分歧。RED-diff 的 PSNR 更高（FFHQ 30.86 vs 29.02，ImageNet 30.07 vs 27.58），LPIPS 却更差（ImageNet 0.211 vs 0.191），说明该任务上「像素保真」和「感知质量」两种目标被不同方法各自占优。
重启确实把 ODE 和 SDE 的优点合起来了。低 NFE 区间纯 ODE 收敛更快，高 NFE 区间 SDE 更强，而 RePS 在整段 NFE 上同时占优，直接验证了「离散误差小 + 周期性收缩近似误差」的设计动机；与 DAPS 在运动去模糊上跨 NFE 的对比同样是 RePS 全程领先。
重启频率存在最优区间。固定 1000 NFE 时，重启之间的条件 ODE 步数太少（1 步）相当于退化为 Li and Wang / DiffPIR，太多（>20 步）又会让单段 ODE 内的误差重新累积、LPIPS 变差；PSNR 的峰值出现在约 2 步附近。⚠️ 主实验统一用 10 步，与这条曲线的峰值位置不完全吻合，实际部署时应以原文补充材料的超参表为准。
它给出的确实是后验样本而非点估计。在本质上多解的 box 修复与相位恢复上，集成 spread 与 spread-to-skill 比值非平凡；box 修复的空间 spread 图更直接地显示掩码内部的不确定性高于掩码外部。这对需要不确定性量化的科学应用是有意义的性质。
成本与 DAPS 相当。不反传 score 网络带来的收益主要体现在可扩展性（支持任意可微算子）而不是绝对速度：按每个任务的最大 NFE 计时，RePS 在线性任务上略快、非线性任务上略慢，差距不大。

亮点与洞察¶

统一视角本身就是贡献。把 DPS、DDRM、DDNM、DCDP、DAPS、DiffPIR、Li and Wang 这些看起来各成一派的方法，全部塞进「条件/去噪阶段 + 前向加噪重启阶段」这个两阶段框架，并画成「每次重启内 ODE 步数 × 约束是否嵌在积分内」的二维设计空间，直接暴露了 DiffPIR 与 Li and Wang 等价于 DCDP-Tweedie 这一事实，也指出了 RePS 占的那一维此前是空白。这种「用坐标轴重新定位已有工作」的写法可迁移到任何交替式采样/优化算法。
把约束搬进 ODE 内部，而不是事后纠正。先自由采样再施加约束，一旦轨迹漂到坏模式就救不回来；直接把测量约束写进每一步的更新里，等于给轨迹装了持续的方向盘。这个思路可以迁移到其他「采样 + 约束」场景（带物理约束的生成、可控图像编辑）。
把优化变量选在 \(x_0\) 空间，换来「不反传 score 网络却仍支持非线性算子」。这是一个很实用的工程取舍：闭式解只在线性算子上存在，放弃闭式解、改用几步梯度下降，适用面就从线性扩到任意可微 \(h\)，而由于优化变量不是 \(x_t\)，梯度不经过扩散网络，省掉了 score Jacobian 这一大块开销。
重启日程极简到只剩一个超参。Xu 等人的重启要在多个噪声级反复重开，RePS 只保留「走到 \(\sigma_0\) 才重启 + 重启级退火」这一条规则，\(\sigma_{\min}\) 全任务固定，只有 \(\sigma_{\text{restart}}\) 需要按任务调。这让它几乎可以零成本地替换掉 SDE 采样器。
把 \(x_0\) 加噪回高噪声级而不是从头重采，是「重启」这个词在此处最容易被误解的地方：均值保留了刚找到的解，方差负责抹掉误差，本质上是在解附近做一次受控的重新探索。

局限与展望¶

ImageNet 相位恢复上明显落后于 DAPS（20.12 vs 22.32 PSNR，SSIM 0.449 vs 0.514），这是作者自己承认的唯一大幅劣势任务。值得注意的是 RePS 在该任务上的标准差也很大（FFHQ 上 30.41±4.45），说明其稳定性同样成问题；而「每个测量生成 4 个重建取最好」这个评测协议会系统性偏向方差大、偶尔命中的方法，两种效应叠在一起使得该任务的结论不易解读。
评测规模有限、基线数字来源不统一。只在 FFHQ 与 ImageNet 两个 256×256 数据集、各 100 张验证图上评测，绝大多数基线数字直接引自 DAPS 论文（仅 DAPS 用官方代码重跑），Li and Wang 没有公开代码、由本文作者自行实现（1000 NFE、梯度下降版而非闭式解）。跨论文、跨实现、跨 NFE 预算的数字不能直接当公平比较。⚠️ 以原文补充材料为准。
「任务无关」的重启日程仍需任务相关调参。\(\sigma_{\text{restart}}\)、每步梯度更新次数 \(N\)、学习率 \(\eta\)、权重 \(\lambda\) 四个量都要按任务调，虽然形式简单，但离真正免调参还有距离，论文也没在正文给出推荐值表。
缺「重启次数」本身的敏感性分析。只给了「重启之间 ODE 步数」的曲线，而「多久重启一次」才是重启类方法最核心的超参；同样的预算下 NFE 在「长 ODE 段」与「多重启」之间如何分配，论文没有系统回答。
可改进方向：把 \(\sigma_{\text{restart}}\) 或重启触发做成自适应的（例如监控测量残差 \(\lVert y-h(x_0)\rVert\) 的下降是否停滞再触发重启），有望在相位恢复这类高度病态的任务上减少对「多次重建取最好」的依赖；把 MAP 子问题的梯度更新次数与当前噪声级绑定（高噪声级少更新、低噪声级多更新）也可能进一步省下 NFE。

评分¶

新颖性: ⭐⭐⭐⭐ 把重启采样推广到后验推断、并统一重构已有方法的设计空间，是有价值的重新定位，但两个核心部件（条件 ODE 与 MAP 子问题）都来自既有工作
实验充分度: ⭐⭐⭐⭐ 5 个线性 + 3 个非线性任务 × 2 个数据集覆盖很全，还补了校准与计时分析；但多数基线数字直接引自 DAPS 论文，评测仅 100 张图
写作质量: ⭐⭐⭐⭐ 设计空间与算法 1 的对应清楚、动机链讲得透；部分公式在缓存排版中损坏（如多项式日程的定义式），需回原文核对
价值: ⭐⭐⭐⭐ 训练-free、不反传 score 网络、支持任意可微算子、重启日程几乎免调参，工程落地价值高