通过精确高斯条件化统一 Diffusion 与 Flow 后验采样

基于摘要分析。本文研究以 flow-matching 和 diffusion 模型作为先验的线性逆问题，提出通用即插即用后验采样方法 β-Flow，旨在统一不同生成轨迹先验，并调节先验与观测信息之间的约束强度。 核心机制是用相关性参数 β 覆盖 flow、diffusion 与去相关轨迹先验，用置信度参数 κ 控制路径分布的约束强度。每一步仅需一次去噪网络前向计算，随后进行高斯条件化；摘要将该条件化步骤描述为不依赖网络梯度的精确 Kalman 更新。“精确”指该条件更新，不应据此认定完整生成后验采样没有近似误差。作者还将多种既有引导采样器解释为该方法的特例或近似，比较其隐含轨迹先验及替代 Kalman 增益的算子。 作者报告，在 4 个数据集、7 类逆问题的 PSNR 与 SSIM 评估中，方法持续达到当前最优水平；摘要未列出数据集、具体任务、分数及对照协议，尚不能核验优势幅度。作者报告，观测信息较少时，高置信度、高相关性的严格先验更有效；观测信息较充分时，低相关性更合适。该结果支持作者关于先验与似然互补作用的解释，但其适用范围仍需结合全文确认。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其线性观测模型与可调生成先验，可能适用于固定前向算子的 EEG 源重建，而非直接构成 BCI 解码方法。迁移假设依赖于可获得的源活动训练分布、可信的前向算子及噪声模型；可复用轨迹先验控制与条件更新，但需改造去噪先验、观测算子和噪声协方差。低信噪比、通道减少、跨被试头模型差异及小数据可能造成先验失配，严格先验也可能压制真实异常活动。一个可证伪的小实验是在固定前向模型的模拟 EEG 中，改变噪声与通道数量，对照不同 β、κ 设置的源重建误差，检验信息减少时严格先验是否仍有优势。已有 EEG 相关工作尚未检索确认。