Neuere Studien zu inversen Problemen haben vorgeschlagen, posteriore Sampler zu verwenden, die prätrainierte Diffusionsmodelle als leistungsstarke A-priori-Informationen nutzen. Diese Ansätze haben den Weg für die Anwendung von Diffusionsmodellen in einer Vielzahl von inversen Problemen geebnet. Allerdings erfordern die bestehenden Methoden rechenintensive iterative Abtastverfahren und optimieren eine separate Lösung für jede Messung, was zu eingeschränkter Skalierbarkeit und einem Mangel an Generalisierungsfähigkeit auf unbekannten Stichproben führt. Um diese Einschränkungen zu überwinden, schlagen wir einen neuen Ansatz vor: Diffusion prior-basierte amortisierte variationelle Inferenz (DAVI), der inverse Probleme aus der Perspektive der amortisierten variationellen Inferenz mit einem Diffusionsprior löst. Insbesondere lernen unsere amortisierten Inferenzverfahren eine Funktion, die Messungen direkt auf die impliziten posterioren Verteilungen der entsprechenden sauberen Daten abbildet, wodurch auch für unbekannte Messungen ein Einzelschritt-Posteriorsampling ermöglicht wird. Ausführliche Experimente zu Bildrestaurationsaufgaben, wie zum Beispiel Gaußscher Entverschleierung (Gaussian deblur), 4-facher Superresolution (4$\times$× super-resolution) und Box-Inpainting mit zwei Benchmark-Datensätzen zeigen die überlegene Leistung unserer Methode im Vergleich zu starken Baselines. Der Quellcode ist unter https://github.com/mlvlab/DAVI verfügbar.