Sep, 2023

自适应和扩散：通过潜在扩散模型实现样本适应性重建

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 来-近-扩-速：通过随机收缩加速条件扩散模型求解反问题

    通过使用新的采样策略 Come-Closer-Diffuse-Faster (CCDF) 和现有的前馈神经网络方法相结合，本文在超分辨率、图像修补和压缩感知MRI等三个领域取得了最优的重建性能。

    Dec, 2021

  • 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

  • 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

  • 通过快捷取样加速逆问题的扩散模型

    提出一种名为“SSD”的新型反演流程，使用“Embryo”的概念进行前向过程，采用快捷路径，包括“输入-Embryo-输出”，在图像超分辨率、去模糊和上色等任务中实验有效性，探讨 DA 反演和反投影等一系列额外的生成一致性约束条件。与现有的 zero-shot 方法相比，只需30个NFEs就可取得竞争性的结果。

    May, 2023

  • 通过潜在扩散模型的后验抽样可证明解决线性反问题

    我们提出了第一个框架，利用预先训练好的潜在扩散模型来解决线性反问题。在理论和实验分析中，我们都展现出在各种问题中都优于先前提出的后验采样算法，包括随机修补、块修补、去噪、去模糊处理、去除条纹和超分辨率。

    Jul, 2023

  • 利用隐藏扩散模型通过硬数据一致性求解反问题

    通过使用经过训练的潜在扩散模型来解决一般逆问题，并采用数据一致性来提高效率和灵活性，从而为医学成像等领域应用先验提供了可行性。

    Jul, 2023

  • 分治后验采样用于去噪扩散先验

    利用去噪扩散模型（DDM）作为先验来解决逆贝叶斯问题的兴趣最近显著增加。本研究采用不同方法，利用DDM先验的特定结构定义了一组中间和简化的后验采样问题，相比以前的方法，降低了近似误差。我们通过使用合成示例和各种图像恢复任务来经验性地展示了我们方法的重建能力。

    Mar, 2024

  • 基于证明可靠性的分数传播后验采样用于即插即用图像重建

    本研究提出了一种算法框架，用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法(DPnP)，交替调用两个采样器，一个仅基于前向模型的似然函数的邻近一致性采样器，另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了DPnP在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证，并通过数值实验证明了其潜力。

    Mar, 2024

  • 迭代精化模型中的逆问题快速抽样器

    构建快速采样器以进行无条件扩散和流匹配模型近期备受关注；然而，现有方法在解决超分辨率、修复或去模糊等逆问题时仍需要数百到数千次迭代步骤以获得高质量结果。我们提出了一种插拔式框架用于构建逆问题的高效采样器，只需要预先训练的扩散模型或流匹配模型。我们提出了条件共轭积分器，利用逆问题的具体形式将各自的条件扩散/流动动力学投影到更易处理的采样空间中。我们评估了所提方法在多个数据集上的各种线性图像修复任务的性能，采用了扩散和流匹配模型。尤其是在ImageNet数据集上的4倍超分辨率等具有挑战性的逆问题中，我们的方法能够在仅5个条件采样步骤中生成高质量样本，并优于需要20-1000步的竞争基准。我们的代码和模型将在此https URL公开。

    May, 2024

  • 关于扩散模型在逆问题中的应用研究

    本研究解决了扩散模型在逆问题应用中的信息不足，提供了无监督先验的有效性综述。通过对现有方法的分类和比较，揭示了不同技术之间的联系，并讨论了使用潜在扩散模型面临的挑战与解决方案。这项工作为扩散模型与逆问题的结合提供了宝贵的参考资源。

    Sep, 2024