金字塔扩散模型用于低光图像增强
Pyramid Diffusion Model (PDM) 通过金字塔潜在表示提供了更广泛的设计空间,以实现超高分辨率图像合成,结合空间通道注意力和 Res-Skip 连接,以及谱范数和递减的 Dropout 策略,使得 PDM 在生成任务方面具有更强的能力,首次成功合成了 2K 分辨率的图像。
Mar, 2024
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
本文提出了金字塔离散扩散(PDD)模型,通过采用逐层生成的粗到精的多尺度模型,能够在资源限制下生成高质量的 3D 场景,而不需要额外的数据源。在无条件和有条件生成方面的实验表明,该模型在生成逼真而详细的 3D 场景方面表现出了很好的效果和鲁棒性。我们的代码将向公众开放。
Nov, 2023
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
扩散模型在图像生成和编辑领域取得了显著的成功。我们提出了一种创新的框架,其中包含一个修正模块,用残差特征调节扩散模型权重,以填补编辑过程中准确性的差距。此外,我们引入了一种新的学习范式,旨在在编辑过程中最小化错误传播。通过大量实验证明,我们的提议框架和训练策略在各种去噪步骤下实现了高保真的重建和编辑结果,并在定量指标和质量评估方面表现出色。此外,我们还通过图像到图像的转换和跨领域图像编辑等多个应用探索了模型的泛化能力。
Dec, 2023
这篇综述论文全面地评估了扩散模型技术,并探讨了它们与其他深度生成模型的相关性,建立了理论基础。同时,该论文还总结了扩散模型在医学、遥感和视频等领域应用的情况,提供了常用基准和评估指标的概述,以及针对三个主要任务的扩散模型技术的全面评估。最后,作者指出当前扩散模型的局限性,并提出了未来研究的七个有趣方向。这篇综述论文旨在加深人们对于在低层次视觉任务中的去噪扩散模型领域的全面理解。
Jun, 2024
我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法,它利用波浪变换加速推理并降低计算资源使用但不损失信息,并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块,利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明,我们的方法在定量和视觉上均优于现有的最先进方法,并且与以前的扩散方法相比,在效率上获得了显着的提高。此外,我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。
Jun, 2023
通过提出一种物理可解释的、生成扩散模型 (Diff-Retinex) 来重新思考低光图像增强任务,将低光图像增强问题形式化为 Retinex 分解和条件图像生成,并通过生成扩散模型实现对低光细节的修复。在真实世界低光数据集上进行的广泛实验定性和定量地证明了所提方法的有效性、优越性和泛化性。
Aug, 2023
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