Dec, 2022

使用去噪扩散零空间模型的零样本图像恢复

PDF
TL;DR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。
image restorationdenoising diffusion null-space model (ddnm)linear ir problemszero-shot frameworkoff-the-shelf diffusion model
发现论文，激发创造
  • 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

  • 残差去噪扩散模型

    提出了一种基于残差去噪扩散模型（RDDM）的图像生成和恢复方法，该方法通过预测残差来表示从目标域到输入域的扩散方向，并同时估计噪声以考虑扩散过程中的随机扰动，从而实现了图像生成和恢复的统一。

    Aug, 2023

  • DiffIR2VR-Zero：使用基于传播的图像修复模型实现零对齐视频修复

    本研究介绍了一种使用预训练图像恢复扩散模型进行零样本视频修复的方法，该方法通过分层标记合并策略和混合对应机制实现关键帧和局部帧的修复，并在各种具有挑战性的数据集上证明了其在零样本视频修复中的顶级性能和对各种极端降级（8 倍超分辨率和高标准差视频降噪）的一般化能力，可以与任何 2D 恢复扩散模型配合使用，为视频增强任务提供了一种多功能且强大的工具。

    Jul, 2024

  • 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

  • 去噪扩散医学模型

    该研究介绍了一种生成模型 DDMM，可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果，并提供数据增强来优化分割性能，优于其他采用数据中心化方法的技术。

    Apr, 2023

  • 去噪作为适应性问题：图像恢复的噪声空间域自适应

    通过扩散模型在噪声空间中进行域适应，我们展示了一种针对深度学习图像修复的方法，其通过利用多步去噪过程受辅助条件输入影响的独特属性，逐渐将合成数据和真实世界数据的修复结果对齐到一个共同的干净分布。

    Jun, 2024

  • 可编辑的 DDPM 噪声空间：反演和操作

    该研究提出一种针对去噪扩散概率模型 (DDPM) 的替代性噪声空间，以便进行广泛的编辑操作，并介绍了一种反演方法，用于提取任何给定图像（真实或人工生成的）的适合进行编辑的噪声生成图。

    Apr, 2023

  • 基于去噪扩散的空间变异噪声去除 (SVNR)

    本研究提出了一种新的去噪扩散模型 SVNR，它假定更加现实的空间变异噪声模型，使其能够在噪声输入图像上进行去噪扩散过程，并考虑了条件图像与修改扩散过程样本之间的相关性。实验表明，相对于强扩散模型和单图像去噪方法，我们的方法具有优势。

    Jun, 2023

  • DDRF: 遥感图像融合的去噪扩散模型

    本篇文章将去噪扩散模型引入图像融合领域，将融合任务作为图像到图像的转换，设计两种不同的条件注入模块，即风格转换调制和小波调制，注入粗粒度风格信息和细粒度高低频信息来生成融合图像，并讨论去噪扩散模型在图像融合中的残差学习和目标函数选择。基于定量和定性评估的广泛实验结果表明，在图像融合任务中具有最先进的结果和良好的泛化性能，希望本文可以激发其他工作的灵感，并深入了解该领域，以更好地将扩散模型应用于图像融合任务。

    Apr, 2023

  • 利用扩散模型作为约束：增强图像恢复网络通过扩散模型训练

    通过引入自然性导向和语义感知优化机制 DiffLoss，本文旨在改善图像恢复领域中的颜色和纹理失真问题，并提高图像的语义感知恢复能力，以实现图像恢复任务和高级识别任务的连接。

    Jun, 2024