画像逆問題は、観測データから元の画像を復元することを目的とし、医用画像処理、リモートセンシング、計算写真学など幅広い応用を持つ。近年、拡散モデルや反復最適化に基づく手法がこの問題に対して有効であることが示されている。これらの手法では、再構成プロセスが中間推定値の軌道を自然に形成するが、既存の手法の多くは最終結果にのみ注目し、軌道上の隣接状態間の遷移を明示的に正則化していない。そのため、再構成経路が不安定になったり、一貫性を欠いたりする可能性がある。
この限界に対処するため、Chaoyan HuangらはTRACEと呼ばれる訓練不要の軌道制約付き再構成フレームワークを提案した。TRACEの中心的なアイデアは、再構成プロセスにおいて隣接状態を結合し、再構成経路全体を安定化させることである。具体的には、再構成プロセスを一連の近接更新としてモデル化し、正確な近接更新が計算困難であるため、神経マッピングを用いて近似する。これにより、隣接状態間の明示的な結合を持つ拡散ライクな再構成プロセスが得られる。
TRACEの有効性を検証するため、著者らは理論分析と実験評価を行った。安定性分析では、時間的結合が軌道の変動を制限し、その制御が未訓練のネットワーク更新下でも維持されることを示した。実験では、線形および非線形の画像再構成タスクを対象とし、TRACEが再構成品質を向上させることを確認した。さらに、軌道レベルの分析とアブレーション実験により、時間的結合が再構成経路上の状態遷移に直接影響を与えることが確認された。
本研究は、軌道を明示的に制約することで再構成性能を向上させるという新たな視点を画像逆問題に提供する。TRACEは訓練不要のフレームワークとして、さまざまな画像処理応用に展開できる可能性があり、今後の研究の基盤となることが期待される。論文は20ページ、10枚の図を含み、arXiv（2605.29012）に公開されており、コンピュータビジョンとパターン認識の分野に属する。