Aug, 2015

可训练非线性反应扩散：快速有效图像恢复的灵活框架

PDF
TL;DR使用非线性反应扩散模型的 TNRD 方法，通过动态学习参数从训练数据中同时学习滤波器和影响函数，实现图像恢复任务，包括高斯图像去噪、单图像超分辨率和 JPEG 去块，显示训练模型可以在保持扩散模型结构简单的同时，具有高效的运算速度，并在测试中取得最佳性能表现。
image restorationnonlinear reaction diffusion modelstnrdgaussian image denoisingsuper resolution
发现论文，激发创造
  • 学习优化的反应扩散过程以实现有效的图像恢复

    本论文介绍一种高效且高质量的图像修复方法，通过引入多个参数化的滤波器和函数对传统非线性反应扩散模型进行扩展，并采用基于损失的方法训练其参数。实验证明，训练后的非线性反应扩散模型的性能得以极大提升，且具有高效，适用于 GPU 的特点。

    Mar, 2015

  • 学习非局部图像扩散用于图像去噪

    利用非局部自相似度先验将可训练的非局部反应扩散 (TNLRD) 模型嵌入 TNRD 模型以解决其中的弱点，并通过特定损失训练非局部滤波器，实现了更具纹理和更少伪影的可视化恢复图像。

    Feb, 2017

  • 图像恢复的高效扩散模型：残差位移

    通过建立马尔可夫链以提高高质量图像和低质量图像之间转换的效率，并通过精心设计的噪声方案灵活控制扩散过程中的转移速度和噪声强度，本研究提出了一种新的高效扩散模型用于图像恢复，表现优越或可媲美现有的方法，甚至只需进行四步采样。

    Mar, 2024

  • 使用去噪扩散零空间模型的零样本图像恢复

    本文提出了一种名为 DDNM 的新颖的零射击框架，用于任意线性图像修复问题，包括但不限于图像超分辨率、上色、修补、压缩感知和去模糊。DDNM 只需要一个预先训练好的 diffusion 模型作为生成先验，而不需要任何额外的训练或网络修改。我们在几个 IR 任务上的实验表明，DDNM 优于其他最先进的零射击 IR 方法。

    Dec, 2022

  • 图像恢复与增强的扩散模型 —— 综合调查

    图像修复是一个具有挑战性的任务，在近期，扩散模型在图像的生成上取得了显著的进展，但关于扩散模型在图像修复中的应用却鲜有综合且有启发性的研究，本文首次对基于扩散模型的图像修复方法进行全面的综述与评估，并提出了未来研究的五个潜在和具有挑战性的方向。

    Aug, 2023

  • 扩散模型实现实际噪声抑制

    本文介绍了一种基于扩散模型的新型通用去噪扩散模型，采用线性插值进行扩散，中间的噪声图像从原始的清晰图像和相应的真实噪声图像进行插值，使得该扩散模型可以处理添加噪声的级别，并且提出了两种采样算法，实验证明该模型在真实去噪基准测试中表现良好。

    May, 2023

  • 细节保留图像去噪的重建生成扩散模型

    提出了一种称为重建生成扩散模型 (RnG) 的新方法，该方法利用重建去噪网络恢复绝大部分底层干净信号，并采用扩散算法生成剩余的高频细节，从而提高视觉质量和感知度。通过在合成和真实去噪数据集上进行广泛实验验证了该方法的优越性。

    Sep, 2023

  • 去噪扩散恢复模型

    本文提出了一种基于先前针对噪声扩散的生成模型的方法 DDPM，用于解决各种图像恢复问题，包括超分辨率，去模糊，填补和上色，相比于现有的非监督方法，DDRM 在重构质量，感知质量和运行时均表现出更好的性能。

    Jan, 2022

  • 用于即插即用图像恢复的去噪扩散模型

    本文提出了 DiffPIR，将传统的 plug-and-play 方法集成到扩散采样框架中，以期在保留扩散模型生成能力的同时完成图像还原任务，实验结果表明，DiffPIR 在三项代表性图像还原任务上取得了最先进的性能。

    May, 2023

  • 曝光扩散：学习如何曝光，用于低光图像增强

    通过结合漏光图像的扩散模型和基于物理的曝光模型，使用残差层筛选出迭代过程中的副作用，从而改进了图像增强方法。该方法适用于真实数据集、不同噪声模型和骨干网络，并且具有更好的泛化能力。

    Jul, 2023