InverseBench

InverseBench是一个用于评估插值扩散先验在五个不同的科学逆问题中的框架，这些问题包括光学层析成像、医学成像、黑洞成像、地震学和流体动力学。

InverseBench is a framework for evaluating interpolated diffusion priors across five distinct scientific inverse problems, including optical tomography, medical imaging, black hole imaging, seismology, and fluid dynamics.

原始信息汇总

InverseBench 数据集概述

数据集简介

InverseBench是一个用于评估扩散模型在五个不同科学逆问题中的性能的框架。这些问题包括光学断层扫描、医学成像、黑洞成像、地震学和流体动力学等关键科学应用，具有独特的结构挑战。

环境要求

• 推荐使用Linux系统，64位Python 3.11以获得最佳兼容性。
• 至少一块高端GPU用于推理，所有实验均在A100 GPUs上进行。
• 主要依赖包括pytorch, scipy, hydra-core, lmdb, piq, wandb, accelerate, devito, dask, ehtim, ehtplot, h5py, sigpy, pynfft, pytest。注意pynfft仅与numpy 1.xx兼容。

预训练模型

提供多种问题的预训练模型权重，包括全波形反演、线性逆散射、2D纳维-斯托克斯方程、黑洞、MRI（大脑和膝盖）以及FFHQ256。

数据

每个问题的测试和验证数据可在data page获取。每个数据集的详细描述可在Dataset_Card.md中找到。

推理

默认情况下，将加载configs/config.yaml进行推理。可以通过命令行参数覆盖配置值。

超参数搜索

使用Wandb进行超参数搜索的步骤包括登录Wandb、定义 sweep 配置文件、启动 sweep 以及运行 sweep 代理。

许可

此项目遵循MIT许可证。

引用

bibtex @inproceedings{ zheng2025inversebench, title={InverseBench: Benchmarking Plug-and-Play Diffusion Priors for Inverse Problems in Physical Sciences}, author={Hongkai Zheng and Wenda Chu and Bingliang Zhang and Zihui Wu and Austin Wang and Berthy Feng and Caifeng Zou and Yu Sun and Nikola Borislavov Kovachki and Zachary E Ross and Katherine Bouman and Yisong Yue}, booktitle={The Thirteenth International Conference on Learning Representations}, year={2025}, url={https://openreview.net/forum?id=U3PBITXNG6} }

搜集汇总

数据集介绍

构建方式

InverseBench数据集的构建，旨在评估plug-and-play扩散先验在物理科学领域逆问题中的应用性能。该数据集整合了五大科学逆问题，分别为光学断层成像、医学成像、黑洞成像、地震学以及流体动力学，通过这五个问题领域的独特结构挑战，为扩散模型提供了全面的测试平台。

特点

InverseBench数据集的特点在于，它不仅覆盖了自然图像恢复之外的物理科学逆问题，而且提供了14种使用plug-and-play扩散先验的逆问题算法与领域特定基线算法的对比。这一特性使得研究人员能够深入洞察现有算法的优势与不足，从而推动科学逆问题求解算法的进步。

使用方法

用户可以通过Linux环境下64位Python 3.11以及至少一块高端GPU来使用InverseBench数据集。数据集的依赖库包括pytorch、scipy等，同时提供了Dockerfile以实现最佳兼容性。用户可通过指定inverse problem配置、algorithm配置和预训练模型配置来进行推断，同时支持使用Weights & Biases平台进行超参数搜索和结果记录。

背景与挑战

背景概述

InverseBench数据集是一项专注于物理科学领域反问题研究的重要成果，由Hongkai Zheng、Wenda Chu等研究人员共同开发，并于2025年ICLR会议上发表。该数据集针对当前研究中对插拔式扩散先验（PnPDP）在自然图像恢复以外的应用领域探讨不足的问题，提供了五个不同的科学反问题作为评估框架。InverseBench的构建旨在填补这一研究空白，并为相关领域的研究提供有力的实验平台，其对物理科学反问题研究的推动作用不言而喻。

当前挑战

InverseBench在构建过程中所面临的挑战主要包括：首先，该数据集覆盖了光学层析成像、医学成像、黑洞成像、地震学以及流体动力学等多个领域，需要处理的问题在结构和复杂性上存在显著差异，为统一评估标准带来了挑战。其次，数据集在算法基准测试时，需要与领域特定的基线进行对比，这对算法的泛化能力和适应性提出了更高的要求。此外，InverseBench在算法实现和环境配置上也存在一定的复杂性，需要兼容多种硬件和软件配置，确保研究的可重复性。

常用场景

经典使用场景

在物理科学领域，逆问题求解是科研工作的核心内容之一。InverseBench作为一个评价框架，其经典使用场景在于对基于插拔式扩散先验的逆问题算法进行基准测试，以评估其在解决具体科学逆问题时的性能。该数据集通过提供五个不同的科学逆问题——光学层析成像、医学成像、黑洞成像、地震学和流体动力学，为算法提供了全面而独特的结构挑战。

实际应用

实际应用中，InverseBench的数据和评价框架可以被科研人员用于测试和改进逆问题求解算法，特别是在处理复杂物理模型和大规模数据时。这些算法的进步将直接影响到光学成像、医学诊断、天体物理学研究等领域的实际应用效果。

衍生相关工作

基于InverseBench，已经衍生出多项相关工作，包括对扩散先验在逆问题中的应用进行更深入的理论研究，以及针对特定逆问题开发的新型算法。这些工作进一步推动了逆问题求解技术的发展，拓宽了其在物理科学中的应用范围。