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

通过扩散模型基于预训练的视觉语言模型提取视觉提示，我们提出了 Diff-Restorer 通用图像修复方法，以去除降级同时生成高感知质量修复结果，并通过全面的定性和定量分析展示了我们的方法的效果和优越性。

Jul, 2024

参考文献提出了一种名为 DocStormer 的新算法，用于恢复多种退化的彩色文档图像，并使其成为潜在的原始 PDF 文件。该算法通过 “Perceive-then-Restore” 范式、GAN 和纯净的 PDF 杂志图像等技术手段来改进彩色文档图像的质量，并提供了非参数策略 PFILI 和多退化彩色文档图像增强数据集（MD-CDE）。实验结果表明，DocStormer 在方法、数据和任务层面上填补了当前学术研究的空白，能够将多退化的彩色文档图像恢复为潜在的原始数字版本。

Oct, 2023

通过引入自然性导向和语义感知优化机制 DiffLoss，本文旨在改善图像恢复领域中的颜色和纹理失真问题，并提高图像的语义感知恢复能力，以实现图像恢复任务和高级识别任务的连接。

Jun, 2024

介绍一种创新的基于深度学习的方法，使用去噪扩散模型将不同光学传感器的低分辨率图像转换为高分辨率图像，保留内容并避免不需要的伪影，通过大规模多样的 Sentinel-II 和 Planet Dove 图像配对数据集进行训练和测试，解决了在多传感器光学遥感图像的图像到图像转换任务中普遍使用的无分类器引导去噪扩散隐式模型（DDIM）框架所观察到的严重图像生成问题，生成具有高度一致的补丁的大型图像，包括颜色和特征，进一步展示了该方法如何改善贝鲁特，黎巴嫩和美国奥斯汀两个城市地区的异构变化检测结果，我们的贡献包括：i）基于去噪扩散模型的光学图像转换的新的训练和测试算法；ii）全面的图像质量评估和消融研究；iii）与无分类器引导 DDIM 框架的比较；和 iv）对异构数据的变化检测实验。

Apr, 2024

提出了 DehazeDDPM：基于 DDPM 和物理感知的图像去雾框架，适用于复杂的浑浊场景，通过利用大气散射模型（ASM）进行物理建模，并与 DDPM 的强大生成能力相结合，补偿因浓雾引起的巨大信息损失。实验证明，该方法在合成和真实世界的浑浊数据集上取得了最先进的性能。

Aug, 2023

调查论文对使用扩散模型进行图像编辑的现有方法进行了全面的概述，包括理论和实践方面，并从多个角度对这些作品进行了彻底分析和分类，介绍了学习策略、用户输入条件以及可以实现的特定编辑任务的组合。此外，对图像修复和扩展进行了特别关注，并探讨了早期的传统上下文驱动方法和当前的多模态条件方法，全面分析了它们的方法论。最后，讨论当前的限制并展望未来的研究方向。

Feb, 2024

扩散模型在图像生成和编辑领域取得了显著的成功。我们提出了一种创新的框架，其中包含一个修正模块，用残差特征调节扩散模型权重，以填补编辑过程中准确性的差距。此外，我们引入了一种新的学习范式，旨在在编辑过程中最小化错误传播。通过大量实验证明，我们的提议框架和训练策略在各种去噪步骤下实现了高保真的重建和编辑结果，并在定量指标和质量评估方面表现出色。此外，我们还通过图像到图像的转换和跨领域图像编辑等多个应用探索了模型的泛化能力。

Dec, 2023

我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架，通过使用无监督对比学习获取图像降级的表示，并将降级意识模块集成到简化的 ControlNet 中，在各种降级情况下灵活地适应不同的降级，有效恢复更加精确和逼真的细节，表现出在各种基准测试中的最先进性能。

Mar, 2024

使用非电离辐射的红外光对人体组织进行实时评估的基于拉曼的生物医学光学成像是早期癌症检测、脑肿瘤诊断和术中组织分析的关键技术。由于激光散射和吸收导致图像退化，光学成像容易出现图像质量下降，从而产生诊断错误和误导性治疗。本文提出了一种称为 RSCD 的对图像进行修复的方法，它通过动态地确定图像退化的严重程度和完成反扩散过程所需的步数来解决图像修复问题。RSCD 在恢复光学图像的图像质量和感知评估指标方面优于其他常用的非配对图像修复方法。在盲目比较实验中，医学成像专家普遍倾向于选择使用 RSCD 修复的图像，并报道几乎没有幻觉。最后，我们证明了 RSCD 在自动脑肿瘤诊断和深层组织成像等临床成像任务中的性能改善。

Mar, 2024