在图像逆问题的求解领域，基于扩散模型与迭代优化的方法近年来已成为颇具成效的工具。这类方法的重建过程天然会生成一系列中间估计值，这些估计值在时间上前后相继，共同勾勒出一条重建轨迹。然而，尽管这些中间状态事实上定义了一条轨迹，大多数现有方法却并未对相邻状态之间的转移施加显式的正则化约束，轨迹的平滑性与稳定性因而缺乏直接保障。针对这一局限，来自 Chaoyan Huang 等三位作者的研究提出了名为 TRACE 的新框架，相关论文于 2026 年 5 月 27 日提交至 arXiv，归类于计算机视觉与模式识别（cs.CV）方向，全文共 20 页、含 10 幅图。
TRACE 的全称是“轨迹约束重建”（TRAjectory-Constrained rEconstruction），其核心特点是无需额外训练（training-free）。该方法通过在重建轨迹上耦合相邻状态，来稳定整条重建路径，从而得到一种轨迹级别的模型。作者指出，这一模型可以被解释为一系列近端更新（proximal updates）的序列，即每一步都相当于在数据保真与正则约束之间做一次平衡。由于精确的近端更新通常难以解析求解，TRACE 采用神经网络映射对其进行近似，最终形成一个类似扩散过程的重建流程，只不过其中相邻状态之间存在显式的耦合关系。
在理论层面，论文给出了稳定性分析。分析表明，这种时间维度上的耦合能够对轨迹的变化幅度形成上界约束，即限制重建路径在相邻步骤间的漂移程度；更重要的是，这种控制效果在未训练网络的更新过程中依然得以保持。这一结论为方法的鲁棒性提供了支撑，也说明即便不依赖大规模训练，轨迹约束本身就能带来可预期的稳定性。
实验部分覆盖了线性与非线性两类图像重建任务，结果显示 TRACE 能够提升重建质量。作者还进行了轨迹级别的分析与消融实验，确认时间耦合确实会直接影响重建路径上的状态转移，而不仅仅是间接改善最终输出。这些分析从机制上验证了方法设计的有效性。
总体而言，这项工作的贡献在于把关注点从单个中间估计转移到状态之间的转移本身，为扩散式与迭代式重建方法提供了一种无需训练的通用增强思路。其局限也较为明确：近似近端更新的神经网络映射引入了一定误差，稳定性分析给出的是变化幅度上的界而非最优性保证，且实验主要在标准图像重建任务上展开。论文的摘要与元数据可通过 arXiv:2605.29012 及对应 DOI 查阅，提交时间为 2026 年 5 月 27 日 19:08:44 UTC，文件大小约 37,974 KB。