扩散后验采样（Posterior Sampling, PS）是解决成像逆问题的主流框架，它结合了学习先验与测量约束。然而，标准PS方法依赖于瞬时数据一致估计，导致反向动力学中的时间变异性，影响了图像恢复的质量。本文从动力学角度重新解释PS，指出标准PS更新对应于扩散动力学的一阶离散化加上一个残差校正，该残差校正捕获去噪预测与数据一致估计之间的不匹配。
基于此，作者提出了LAMP（Lagged temporal correction for Posterior sampling），将二阶更新与PS技术特有的残差校正相结合。二阶离散化自然地引入了基于连续估计变化的滞后时间校正，LAMP继承了这一特性，并可作为模块化插件应用于任何PS骨干网络。研究表明，LAMP保持了后验采样器的结构，并通过偏差-方差权衡进行了单步风险分析，以表征LAMP改善反向转换的条件。
在多个成像任务上的实验表明，LAMP在不增加去噪评估次数的情况下，持续优于DiffPIR和DDRM等强基线。该工作已提交至会议，包含9张图和9张表，由Davide Evangelista等四位作者完成，展示了其在超分辨率、去模糊等任务中的潜力。LAMP的提出为图像恢复领域提供了一种高效且易于集成的改进方案，有望推动相关研究进展。