图像恢复的深度均移先验
本文介绍了自然图像的一种先验算法 —— 深度图像先验,它使用卷积神经网络对随机输入进行输出,通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论,该算法渐近等于一个平稳的高斯过程,这启发了贝叶斯推断的方法。通过使用随机梯度 Langevin 对后验推断实现去除过早终止的需要,并在去噪和修补任务中提高了结果表现。我们在一些一维和二维信号重建任务中验证了这些算法的实用价值。
Apr, 2019
本文提出使用高斯混合模型作为先验,以解决图像去模糊和压缩成像两个问题。我们利用变量分裂算法的特点,如 ADMM,将观测算子的处理与正则化器的处理分离,并将最先进的算法插入到纯去噪步骤中。此外,我们展示了当应用于特定类型的图像时,从相同类型图像的数据库训练的高斯混合模型能够胜过当前的最先进方法。
Feb, 2016
本文提出了一种用于图像还原的基于超先验和图像块建模的方案,以适应于对角退化矩阵和信号相关噪声模型,特别适用于计算摄影。
Jun, 2017
本文提出一种基于无监督学习的生成扩散先验(GDP)方法,采用预训练的去噪扩散生成模型(DDPM)来有效地建模后验分布,并通过优化去噪过程中的退化模型参数来实现盲图像恢复,进一步采用分层引导和基于块的方法,使 GDP 能够产生任意分辨率的图像。实验结果表明,GDP 在各种图像重建质量和感知质量的基准测试中优于当前的领先无监督方法,在各种任务和各种图像大小的数据集上都表现良好。
Apr, 2023
训练深度神经网络已成为解决图像恢复问题的常用方法,本文提出了一种基于预条件的新型引导技术,它在恢复方案中的实现要比现有方法简单,同时对噪声具有抗干扰性,适用于图像去模糊和超分辨率的任务。
Dec, 2023
本研究提出一种方法,通过给待恢复的输入图像添加噪声并进行去噪来使预训练的扩散模型自适应于图像恢复任务。方法基于观察到生成模型空间需要受到约束的原则,通过使用一组捕捉输入图像特征的锚点图像对生成模型进行微调,从而实现受约束的空间。我们通过对比以前的方法并在多个真实世界的恢复数据集上展示出卓越的性能,包括保留身份和图像质量。此外,我们还演示了一种在个性化修复上的重要实际应用,其中我们使用个人相册作为锚点图像来约束生成空间。这种方法使我们能够准确地保留高频细节,这是以前的工作所不能实现的。
Dec, 2023
本文介绍了一种通过扩展扩散模型进行图像修复的新方法,该方法利用生成过程中与测量身份一致的样本,并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。
Feb, 2024
本文提出了一种基于深度重参数化的多帧图像修复方法,通过引入学习的错误度量和目标图像的潜在表示,将最大后验形式直接模拟在潜在空间中,并集成了学习的图像先验,实现了深度学习与经典 MAP 公式的多帧融合。本方法在多组实验证明其泛化性和效果优越性,为多帧降噪和多帧超分辨率任务设立了新的最优记录。
Aug, 2021