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
将去噪扩散概率模型与现有的端到端模型相融合,通过集成学习引入残差项,提出 ResEnsemble-DDPM 模型,进一步提升图像分割模型的性能,并且该集成学习策略可推广到图像生成的其他任务,具有强大的竞争力。
Dec, 2023
通过学习逐渐将数据分布扩散为高斯噪声的过程,并以随机噪声进行迭代去噪处理,去噪扩散概率模型(DDPMs)在各种图像生成任务中取得了令人印象深刻的性能。本文提出了部分扩散模型(PartDiff),通过将图像扩散到中间潜在状态而不是纯随机噪声来生成新数据,并采用近似于低分辨率图像扩散的潜在状态来逼近中间潜在状态。实验证明,与纯扩散基础的超分辨率方法相比,部分扩散模型可以显著减少去噪步骤的数量而不损失生成的质量。
Jul, 2023
使用神经残差扩散模型 (Neural Residual Diffusion Models) 框架,引入一系列可学习的门控残差参数来改善生成网络的可扩展性和生成内容的保真度与一致性。
Jun, 2024
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
本文提出了一种基于扩散模型的统一条件框架,结合了轻量级 UNet 和固有的差异模型来增强图像恢复的物理约束,采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合,并提出了简单而有效的截距补丁分裂策略,将其用于低光量去噪、去模糊和 JPEG 图像恢复的挑战任务中,得到了显著的感知质量提升和恢复任务的推广。
May, 2023
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。
本文描述了一种更高效的迭代隐式概率模型 —— 去噪扩散隐式模型(DDIMs),通过构建一类非马尔科夫扩散过程来加速采样过程,相对于去噪扩散概率模型(DDPMs)可以使采样速度提升 10 倍至 50 倍。这种模型可以用于图像生成和语义意义化的图像内插。
Oct, 2020
通过离散余弦变换的角度看,高分辨率产生图像的主要挑战在于 “在频率域中,相同的噪声水平在更高分辨率下会导致更高的信噪比”;本论文提出了中继扩散模型 (Relay Diffusion Model, RDM),通过模糊扩散和块噪声将低分辨率图像或噪声转换为等效的高分辨率图像,使扩散过程能够在任意新分辨率或模型中无缝地继续进行,而无需从纯噪声或低分辨率条件重新启动;RDM 在 CelebA-HQ 的 FID 和 ImageNet 256x256 的 sFID 上取得了领先的成绩,明显超过 ADM、LDM 和 DiT 等之前的工作。
Sep, 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。