图像恢复的扩散后验近端采样
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
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
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
本文介绍了一种基于扩散模型的新型通用去噪扩散模型,采用线性插值进行扩散,中间的噪声图像从原始的清晰图像和相应的真实噪声图像进行插值,使得该扩散模型可以处理添加噪声的级别,并且提出了两种采样算法,实验证明该模型在真实去噪基准测试中表现良好。
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
通过扩散后验抽样的方法,我们提出了一种解决非线性 CT 图像重建的逆问题的新方法,该方法结合了训练先验评分函数的传统无条件扩散模型和根据非线性物理模型导出的测量似然评分函数,可以用于采样逆向扩散过程。此方法允许将扩散为基础的先验与广义的非线性 CT 图像重建结合到具有不同正向模型的多个 CT 系统设计中,无需任何额外的训练。
Dec, 2023
训练深度神经网络已成为解决图像恢复问题的常用方法,本文提出了一种基于预条件的新型引导技术,它在恢复方案中的实现要比现有方法简单,同时对噪声具有抗干扰性,适用于图像去模糊和超分辨率的任务。
Dec, 2023
通过建立马尔可夫链以提高高质量图像和低质量图像之间转换的效率,并通过精心设计的噪声方案灵活控制扩散过程中的转移速度和噪声强度,本研究提出了一种新的高效扩散模型用于图像恢复,表现优越或可媲美现有的方法,甚至只需进行四步采样。
Mar, 2024