Sep, 2023

快速扩散 EM：用于盲反问题的扩散模型及其在去卷积中的应用

PDF
TL;DR使用扩散模型解决逆问题是一个增长迅速的研究领域。我们设计了一种基于期望最大化（EM）估计方法和扩散模型的算法，通过近似计算扩散模型的样本绘制的逆问题的期望对数似然，以及最大化步骤来估计未知的模型参数。我们还引入了一种基于 Plug & Play 去噪器的新型模糊核正则化方法。通过对盲目图像去模糊进行广泛实验证明了我们的方法与其他最先进方法相比的有效性。
发现论文，激发创造
  • 通过期望最大化从观测中学习扩散先验

    通过期望最大化算法基于不完整和噪声观测的训练扩散模型，以获得适用于下游任务的正确扩散模型。

    May, 2024

  • 通过快速扩散反演进行盲图像恢复

    通过使用预训练的扩散模型，我们提出了一种盲图像恢复方法 BIRD，它在优化退化模型参数和恢复图像的同时，通过在数据流形上提出新的采样技术，将图像恢复任务转化为输入噪声空间中的优化问题。实验证明，该方法在多个图像恢复任务上实现了最先进的性能。

    May, 2024

  • 扩散模型求解逆问题的变分视角

    本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

    May, 2023

  • BlindDiff：盲图像超分辨率中扩散模型中质量模拟的强化

    BlindDiff 是一种基于扩散模型（DM）的盲超分辨率（SR）方法，通过将基于最大后验（MAP）的优化集成到 DM 中，无缝地解决了 SISR 中的盲降解设置，并通过反向过程解决盲 SR 问题。

    Mar, 2024

  • 图像恢复与增强的扩散模型 —— 综合调查

    图像修复是一个具有挑战性的任务，在近期，扩散模型在图像的生成上取得了显著的进展，但关于扩散模型在图像修复中的应用却鲜有综合且有启发性的研究，本文首次对基于扩散模型的图像修复方法进行全面的综述与评估，并提出了未来研究的五个潜在和具有挑战性的方向。

    Aug, 2023

  • 逼真图像去模糊的分层集成扩散模型

    为了提高图像去模糊的速度和精确度，本文提出了一种基于分层积分的扩散模型 (HI-Diff)，利用高度压缩的潜空间进行去模糊并结合多尺度的回归方法，从而实现在复杂情景下的更好的泛化效果，实验表明 HI-Diff 在合成数据集和实际场景中均优于当前主流方法。

    May, 2023

  • 释放扩散先验的去噪能力以解决逆问题

    通过引入辅助优化变量，利用扩散过程重新定义嘈杂的反问题为受约束的双变量优化任务，该算法称为 ProjDiff，有效地利用了预训练扩散模型的先验信息和降噪能力。在各种线性和非线性反问题中，ProjDiff 在图像恢复任务、信源分离和部分生成任务方面展现出卓越的性能，凸显其在实际应用中的潜力。

    Jun, 2024

  • 扩散后验采样用于一般噪声反问题

    本文提出一种扩展扩散模型求解广泛的噪声非线性逆问题的方法，该方法利用后验采样实现扩散采样和流形约束梯度融合，并适用于各种噪声统计和非线性问题，代码公开。

    Sep, 2022

  • 自适应和扩散：通过潜在扩散模型实现样本适应性重建

    我们提出了一种名为 “严重性编码” 的新方法，通过在自编码器的潜在空间中估计噪声、退化信号的退化严重程度，从而在样本自适应推断时间、重建问题的难度上取得了显著性进展。同时，利用潜在扩散模型基于预测的退化严重程度来调整反向扩散采样轨迹，从而在维持与观测一致性的同时实现样本自适应的推断时间，与现有扩散法技术相比，我们的技术在计算效率方面有明显提升。

    Sep, 2023

  • 基于扩散模型的原则性概率成像使用即插即用的先验

    采用扩散模型和马尔可夫链 - 蒙特卡洛算法解决反问题，通过降低到高斯去噪问题的后验采样，有效地实现了更准确的重建和后验估计。

    May, 2024