Apr, 2023

基于得分函数的无监督图像降噪

PDF
TL;DR本文提出了一种更通用的解决方案，利用分数函数的性质，通过求解系统去除单张图像噪音，可应用于多种复杂噪音模型。实验结果表明，与其他方法相比，我们的方法在复杂的噪声模型下表现良好。
发现论文，激发创造
  • Noise2Score：基于 Tweedie 的自监督图像去噪方法无需干净图像

    本研究提出一种名为 Noise2Score 的新方法，通过发现后验分布的模式并使用梯度的得分函数来解决无干净参考图像的图像去噪问题，该方法可以处理任何指数族分布和噪声参数下受损图像的降噪，并在实验中表现出比现有方法更佳的性能。

    Jun, 2021

  • 利用从噪声数据中学习到的基于分数的生成先验解决反问题

    本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

    May, 2023

  • 基于分数的扩散模型用于加速 MRI

    该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

    Oct, 2021

  • 基于得分的点云去噪 (学习梯度场进行点云去噪)

    通过神经网络估计噪点云分布得分，在梯度上升迭代中更新每个点的位置以最大程度提高每个点的对数似然，从而实现去噪。经实验证明，在多种噪声模型下，该模型优于现有最先进方法，并显示出在点云上采样等其他任务中应用的潜力。

    Jul, 2021

  • 目标分数匹配

    该论文介绍了利用目标分数的知识来改进 Denosing Score Matching 算法，在低噪声水平下取得更好的评估分数的效果。

    Feb, 2024

  • 基于神经网络的扩散模型分值估计：优化与泛化

    通过分析神经网络的数学框架和得分匹配与回归分析之间的创新连接，本文提出了第一次得分函数学习的一般化误差（样本复杂性）边界，从而克服了观测值中存在噪声的问题。

    Jan, 2024

  • 基于分数先验引导的深度变分推断方法用于无监督的实际场景单图像去噪

    通过引入得到易用的最小 MSE 非独立同分布高斯去噪器和变分采样，我们提出了一种得分先验引导的深度变分推理方法 ScoreDVI，用于实际场景的去噪。同时，我们利用非独立同分布高斯混合模型和变分噪声后验建模来适应实际场景噪声，并实现多个图像先验和变分图像后验的逐像素融合。此外，我们还开发了一个噪声感知的先验分配策略，动态调整优化中图像先验的权重。我们的方法在实际场景的单图像去噪中表现优于其他方法，且与基于数据集的无监督方法具有相当的性能。

    Aug, 2023

  • 基于分数的扩散模型中使用评分嵌入进行高效去噪

    通过解决数值上求解对数密度福克 - 普朗克方程以在训练之前计算分数来提高基于分数的扩散模型的训练效率，并将预先计算的分数嵌入到图像中以加快训练速度和减少图像数来学习准确分数，我们在数值实验中展示了我们提出方法相对于标准基于分数的扩散模型的改进性能，其意义上地以更快速度实现了类似的质量。

    Apr, 2024

  • 基于扩散生成模型与评分匹配的变分视角

    本文通过导出一个变分框架来推导连续时间生成扩散理论，并表明该理论中最小化匹配得分损失等价于最大化该理论内所提出的可逆 SDE 插件的似然度的下限。

    Jun, 2021

  • 函数空间中的基于分数的扩散模型

    本研究提出了一种名为去噪扩散算子的数学严谨框架，用于在函数空间中训练扩散模型，将它推广到无限维函数空间的应用，其中前向过程是逐渐扰动输入函数，生成过程是通过积分的函数值 Langevin 动力学实现。

    Feb, 2023