[论文解读] The Ensemble Inverse Problem: Applications and Methods

Zhengyan Huan, Camila Pazos+4 more|arXiv (Cornell University)|Jan 29, 2026

Generative Adversarial Networks and Image Synthesis被引用 0

一句话总结

本文提出 Ensemble Inverse Problem (EIP)，并提出名为 ensemble inverse generative models (EI-DDPM 和 EI-FM) 的非迭代后验采样器，它们利用观测集合来在推断时无需显式前向模型即可推断后验分布。

ABSTRACT

We introduce a new multivariate statistical problem that we refer to as the Ensemble Inverse Problem (EIP). The aim of EIP is to invert for an ensemble that is distributed according to the pushforward of a prior under a forward process. In high energy physics (HEP), this is related to a widely known problem called unfolding, which aims to reconstruct the true physics distribution of quantities, such as momentum and angle, from measurements that are distorted by detector effects. In recent applications, the EIP also arises in full waveform inversion (FWI) and inverse imaging with unknown priors. We propose non-iterative inference-time methods that construct posterior samplers based on a new class of conditional generative models, which we call ensemble inverse generative models. For the posterior modeling, these models additionally use the ensemble information contained in the observation set on top of single measurements. Unlike existing methods, our proposed methods avoid explicit and iterative use of the forward model at inference time via training across several sets of truth-observation pairs that are consistent with the same forward model, but originate from a wide range of priors. We demonstrate that this training procedure implicitly encodes the likelihood model. The use of ensemble information helps posterior inference and enables generalization to unseen priors. We benchmark the proposed method on several synthetic and real datasets in inverse imaging, HEP, and FWI. The codes are available at https://github.com/ZhengyanHuan/The-Ensemble-Inverse-Problem--Applications-and-Methods.

研究动机与目标

• 以推导出通过前向过程的先验分布的推动来反演一个由观测 ensemble 分布的 Ensemble Inverse Problem (EIP)为出发点并给出定义。
• 开发在单个测量和观测集合上同时进行条件化的非迭代后验采样器，以还原先验或后验。
• 展示在未见先验和未知前向模型下的泛化能力，覆盖逆成像、高能物理展开以及地震全波形反演。
• 与基线进行比较，展示在推断阶段无需显式前向模型访问时的后验推断改进。

提出的方法

• 将 EI-DDPM 和 EI-FM 设定为条件生成模型，建模 p(x|y, Y)，其中 y 是单个观测，Y 是观测集。
• 使用一个置换不变的神经网络 phi_w 对观测集合 Y 进行编码，产生固定大小的表示。
• 通过从 D 中采样真值-观测对，在多种先验分布下训练模型，隐式编码似然 p(y|x)。
• 在推断阶段使用条件扩散（EI-DDPM）或条件流量匹配（EI-FM）以实现非迭代的后验采样。
• 通过条件变量 phi_w(Y) 将集合信息融入，确保后验对未见先验具有泛化能力。
• 给出 EI-DDPM 和 EI-FM 的训练与采样算法（Alg. 1 和 Alg. 2），包括集合编码与时间步处理。

(a) Forward process

实验结果

研究问题

• RQ1 在来自同一前向过程但先验未知的情况下，是否可以在推断时利用来自观测集合 Y 以从 p(x|y) 或 p(x|y, Y) 对样本进行准确采样？
• RQ2 通过对 Y 进行置换不变的编码，是否能实现对未见先验和异构前向模型设置的泛化？
• RQ3 在逆成像、高能物理展开和地震 FWI 的场景下，EI-DDPM 与 EI-FM 相较于现有的展开与逆问题方法的表现如何？
• RQ4 非迭代、以 ensemble 为条件的生成模型是否能够在推断阶段绕过显式前向模型评估，同时保持或提升重建质量？

主要发现

• 相较于多种基线，EI-DDPM 和 EI-FM 实现了更优的后验推断与对未见先验的泛化能力。
• 集合表示 phi_w(Y) 实现了有效的条件化，在推断时无需直接的先验知识或前向模型访问即可提升性能。
• 在合成任务（扰动的二维高斯、类似 MNIST 的图像混合）和真实领域（HEP 展开、地震 FWI）中，EI-DDPM/EI-FM 优于 cDDPM、cFM 及其他竞争者。
• EI-FM 在二维高斯实验中对未见先验表现出强泛化，并在 SWD 指标上达到与具有直接先验信息的模型相当的结果。
• 在粒子物理展开和地震 FWI 实验中，EI-FDPM/EI-FM 的距离度量（如 WD）较低，MAE/MSE/SSIM 等分数更优，表明对集合信息的嵌入有效。

(b) EIP-II’s solution