近日，一篇發表在arXiv上的研究論文（arXiv:2605.29012）提出了一種名為TRACE的新型框架，旨在解決成像逆問題中的重建不穩定性問題。成像逆問題廣泛存在於圖像去模糊、超分辨率、醫學影像重建等領域，其目標是從含噪聲或不完整的測量數據中恢復出高質量圖像。當前，擴散模型和迭代方法已成為解決這類問題的有效工具，它們通過在重建過程中生成一系列中間估計，逐步逼近最終結果，從而自然形成一條重建軌跡。然而，現有方法通常沒有對連續中間狀態之間的過渡進行顯式約束，這可能導致重建路徑不穩定，影響最終圖像質量。
為了克服這一侷限，來自中國的研究團隊提出了TRACE（TRAjectory-Constrained rEconstruction）框架。TRACE的核心創新在於，它通過在重建軌跡上耦合相鄰狀態來穩定整個重建過程。具體而言，該框架將重建過程建模為一系列近端更新的序列，而由於精確近端更新通常難以計算，研究者採用神經網絡來近似這一映射，從而構建出一個類似擴散模型的重建流程，但具有顯式的相鄰狀態耦合。這種設計使得重建模型在軌跡層面得到約束，避免了狀態間的劇烈跳躍。
論文提供了嚴格的穩定性分析，證明時間耦合能夠有效限制軌跡的變化幅度，並且這種控制能力即使在網絡未經專門訓練的情況下也能得以保持。在多個線性和非線性圖像重建任務上的實驗結果顯示，TRACE在重建質量上顯著優於現有基線方法。此外，軌跡級別的分析和消融實驗進一步證實，時間耦合直接作用於重建路徑上的狀態轉變，是性能提升的關鍵因素。
該研究為成像逆問題領域提供了一種新的理論視角和實用工具。TRACE框架無需額外訓練，可直接應用於現有擴散模型或迭代重建算法中，有望推動該領域在實際應用中的進一步發展。論文還包含了詳細的數學推導和補充實驗，為後續研究奠定了基礎。