通过迭代预条件引导的去噪扩散模型进行图像恢复
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
本文提出了基于去噪的图像恢复算法,将其迭代过程展开为深度神经网络,利用卷积神经网络的多尺度冗余性和观察模型的先验知识,并通过端到端训练,使去噪器和反投影模块可以共同被优化,实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。
Jan, 2018
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
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
本研究提出一种方法,通过给待恢复的输入图像添加噪声并进行去噪来使预训练的扩散模型自适应于图像恢复任务。方法基于观察到生成模型空间需要受到约束的原则,通过使用一组捕捉输入图像特征的锚点图像对生成模型进行微调,从而实现受约束的空间。我们通过对比以前的方法并在多个真实世界的恢复数据集上展示出卓越的性能,包括保留身份和图像质量。此外,我们还演示了一种在个性化修复上的重要实际应用,其中我们使用个人相册作为锚点图像来约束生成空间。这种方法使我们能够准确地保留高频细节,这是以前的工作所不能实现的。
Dec, 2023
该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法,可以高精度地重建电子显微学的层析成像问题,结果表明相对于传统方法和更复杂的扩散方法,该方法具有更高的精度和更快的计算速度。
Jul, 2023
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
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
本文提出了一种基于去噪扩散概率模型的条件生成模型,通过把一个已知的、可求导的正向模型集成到去噪过程中,实现了间接观测信号的采样, 并在三项具有挑战性的计算机视觉任务中进行了验证。
Jun, 2023
本篇论文旨在通过变量分裂技术将快速鉴别式去噪模块插入基于模型的优化,实现解决逆问题的目的,并着重于训练一组快速有效的卷积神经网络去噪器以及将其融合到模型优化中,以便更好地应对各种相关低级视觉应用,实验结果表明,学习到的去噪器不仅在高斯去噪方面效果显著,而且可以作为先验信息,在各种低级视觉任务中也取得了良好的性能表现。
Apr, 2017