为解决扩散图像超分辨率方法的低推理速度和性能下降问题，我们提出了一种新颖和高效的扩散模型，通过减少扩散步骤的数量，消除了推理过程中的加速要求以及性能恶化，并通过在高分辨率图像和低分辨率图像之间转移残差来显著提高转换效率。实验显示，该方法在合成和真实数据集上均能获得优秀或至少相当于当前最先进方法的性能，即使只使用 15 个采样步骤。

Jul, 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

通过使用预训练的扩散模型，我们提出了一种盲图像恢复方法 BIRD，它在优化退化模型参数和恢复图像的同时，通过在数据流形上提出新的采样技术，将图像恢复任务转化为输入噪声空间中的优化问题。实验证明，该方法在多个图像恢复任务上实现了最先进的性能。

May, 2024

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

通过采用深度平衡固定点系统，我们重新思考了基于扩散的图像修复模型，并且通过模型化扩散模型中的整个采样链作为多元固定点系统，以获得解析解，从而能够并行地进行单图像采样，无需训练。在 DEQ 中计算快速梯度，并发现初始化优化可以提高性能并控制生成方向。在基准测试和实际环境中进行的大量实验证明了我们提出的方法的有效性。代码和模型将公开提供。

Nov, 2023

提出了一种名为 SinSR 的简单而有效的方法，通过仅需要一步推断即可生成超分辨率图像，同时利用新的一致性保持损失，以实现比之前最先进方法和教师模型更优的性能和高达 10 倍的推断加速。

Nov, 2023

通过提出具有高斯噪声的空间和频率感知扩散模型 SaFaRI，我们在各种包括修补、降噪和超分辨率在内的有噪反问题上全面评估了模型的性能，结果显示 SaFaRI 在 ImageNet 和 FFHQ 数据集上表现优于现有的零样本 IR 方法，从 LPIPS 和 FID 指标的角度超越了其他模型，实现了最先进的性能。

Jan, 2024

本文提出了 DiffPIR，将传统的 plug-and-play 方法集成到扩散采样框架中，以期在保留扩散模型生成能力的同时完成图像还原任务，实验结果表明，DiffPIR 在三项代表性图像还原任务上取得了最先进的性能。

May, 2023

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

本论文介绍一种高效且高质量的图像修复方法，通过引入多个参数化的滤波器和函数对传统非线性反应扩散模型进行扩展，并采用基于损失的方法训练其参数。实验证明，训练后的非线性反应扩散模型的性能得以极大提升，且具有高效，适用于 GPU 的特点。

Mar, 2015