擴散後驗取樣（Posterior Sampling, PS）是解決成像逆問題的主流框架，它結合了學習先驗與測量約束。然而，標準PS方法依賴於瞬時資料一致估計，導致反向動力學中的時間變異性，影響了影像恢復的質量。本文從動力學角度重新解釋PS，指出標準PS更新對應於擴散動力學的一階離散化加上一個殘差校正，該殘差校正捕獲去噪預測與資料一致估計之間的不匹配。
基於此，作者提出了LAMP（Lagged temporal correction for Posterior sampling），將二階更新與PS技術特有的殘差校正相結合。二階離散化自然地引入了基於連續估計變化的滯後時間校正，LAMP繼承了這一特性，並可作為模組化外掛應用於任何PS骨幹網路。研究表明，LAMP保持了後驗取樣器的結構，並透過偏差-方差權衡進行了單步風險分析，以表徵LAMP改善反向轉換的條件。
在多個成像任務上的實驗表明，LAMP在不增加去噪評估次數的情況下，持續優於DiffPIR和DDRM等強基線。該工作已提交至會議，包含9張圖和9張表，由Davide Evangelista等四位作者完成，展示了其在超解析度、去模糊等任務中的潛力。LAMP的提出為影像恢復領域提供了一種高效且易於整合的改進方案，有望推動相關研究進展。