arXiv 2026年10月5日作者提出 SIMCA：利用条件去噪分数匹配与条件流匹配目标在每步对引导权重呈最小二乘结构这一观察，把扩散与流匹配模型的无训练后验采样中引导权重化为每步二维线性最小二乘问题，并用贪心模拟式校准（仅需一个小批量采样轨迹、无需重训练）离线求解；在 FFHQ、ImageNet、CelebA、AFHQ-Cat 的多种逆问题上，该方法匹配或超越现有无训练方法，并使扩散采样器把步数从 1000 降到 50 而重建质量无显著下降。作者提出 SIMCA：利用条件去噪分数匹配与条件流匹配目标在每步对引导权重呈最小二乘结构这一观察，把扩散与流匹配模型的无训练后验采样中引导权重化为每步二维线性最小二乘问题，并用贪心模拟式校准（仅需一个小批量采样轨迹、无需重训练）离线求解；在 FFHQ、ImageNet、CelebA、AFHQ-Cat 的多种逆问题上，该方法匹配或超越现有无训练方法，并使扩散采样器把步数从 1000 降到 50 而重建质量无显著下降。SIMCA 用离线最小二乘校准引导权重，使扩散与流匹配后验采样在 50 步内达到或超越现有方法作者提出 SIMCA：利用条件去噪分数匹配与条件流匹配目标在每步对引导权重呈最小二乘结构这一观察，把扩散与流匹配模型的无训练后验采样中引导权重化为每步二维线性最小二乘问题，并用贪心模拟式校准（仅需一个小批量采样轨迹、无需重训练）离线求解；在 FFHQ、ImageNet、CelebA、AFHQ-Cat 的多种逆问题上，该方法匹配或超越现有无训练方法，并使扩散采样器把步数从 1000 降到 50 而重建质量无显著下降。作者提出 SIMCA：利用条件去噪分数匹配与条件流匹配目标在每步对引导权重呈最小二乘结构这一观察，把扩散与流匹配模型的无训练后验采样中引导权重化为每步二维线性最小二乘问题，并用贪心模拟式校准（仅需一个小批量采样轨迹、无需重训练）离线求解；在 FFHQ、ImageNet、CelebA、AFHQ-Cat 的多种逆问题上，该方法匹配或超越现有无训练方法，并使扩散采样器把步数从 1000 降到 50 而重建质量无显著下降。