从后验抽样到图像恢复中的有意义多样性
本文介绍了一种通过扩展扩散模型进行图像修复的新方法,该方法利用生成过程中与测量身份一致的样本,并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。
Feb, 2024
提出了一种新颖的基于扩散的图像恢复求解器,通过解耦逆向过程和数据一致性步骤来解决扩散模型中额外梯度步骤引起的计算负担和问题,通过整合一致性模型减少采样步骤的必要性,从而在各种图像恢复任务中展现出高效的问题解决能力。
Mar, 2024
本文提出了一种基于条件生成对抗网络的随机去噪方法,通过引入一种理论上基于中心极限定理的正则化惩罚项,以实现高感知质量和可接受失真度去噪。
Mar, 2021
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
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
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
本论文提出了一种能够生成多个不同、合理且高质量的图像修复结果的方法,其中包括条件变分自编码器 (CVAE)、生成对抗网络 (GAN)、新型的短 + 长期注意力层,它们能够有效地提高修复结果的多样性和外观连贯性,实验表明该方法能够在不同的数据集上生成具有更高画质的图像修复结果。
Mar, 2019
本文提出一种基于无监督学习的生成扩散先验(GDP)方法,采用预训练的去噪扩散生成模型(DDPM)来有效地建模后验分布,并通过优化去噪过程中的退化模型参数来实现盲图像恢复,进一步采用分层引导和基于块的方法,使 GDP 能够产生任意分辨率的图像。实验结果表明,GDP 在各种图像重建质量和感知质量的基准测试中优于当前的领先无监督方法,在各种任务和各种图像大小的数据集上都表现良好。
Apr, 2023