本文介绍了一种基于双条件去噪扩散概率模型的盲超分辨率重建框架，围绕核估计和重构进度引入了双向扩散，通过构建基于 DDPM 的核预测器和重建器实现了从 LR 图像到 HR 图像的映射，实验结果证明了我们提出的方法在盲超分辨率重建方面的优越性。

May, 2023

提出了一种新的盲超分辨率方法 CDFormer，通过捕捉降解和内容表示来改善图像质量，实验结果表明 CDFormer 在不同基准测试中表现出了最先进的性能。

May, 2024

本研究提出了一种基于概率框架的盲超分辨率图像重建方法，针对复杂的噪声和模糊核问题，该方法采用了非独立同分布的噪声模型和一种新颖的模糊核生成器来增加模型的自由度。经过综合实验，该方法在合成数据集和真实数据集上均优于当前最先进的技术。

Jul, 2021

本文提出了一种更复杂但实用的退化模型，其中包括随机混合的模糊，下采样和噪声退化，以达到改善单图超分辨率方法的实用性的目的。实验结果表明，这个新的退化模型可以显著改善深度超分辨率方法的实用性，为真实的单图超分辨率应用提供了一种强有力的替代解决方案。

Mar, 2021

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

我们提出了 DiffBIR，它利用预训练的文本到图像扩散模型解决盲目图像恢复问题。我们的框架采用了两阶段流程，在第一阶段中，我们通过在各种退化情况下预训练恢复模块来提高在实际场景中的泛化能力。第二阶段利用潜在扩散模型的生成能力，实现逼真的图像恢复。最后，我们引入了一个可控的模块，通过在推理过程中引入潜在图像指导来平衡质量和保真度。广泛的实验证明了它在合成和实际数据集上在盲目图像超分辨率和盲目人脸恢复任务上优于现有的方法。代码可在此 https URL 找到。

Aug, 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

为了提高图像去模糊的速度和精确度，本文提出了一种基于分层积分的扩散模型 (HI-Diff)，利用高度压缩的潜空间进行去模糊并结合多尺度的回归方法，从而实现在复杂情景下的更好的泛化效果，实验表明 HI-Diff 在合成数据集和实际场景中均优于当前主流方法。

May, 2023

本文提出一种基于扩散概率模型的单幅图像超分辨率方法，通过优化数据可能性的变分下界进行模型训练，并通过引入残差预测以加速收敛。该方法在 CelebA 和 DIV2K 数据集上进行了实验验证，实验结果表明，该方法在性能上领先以往的方法，并具有生成丰富细节的不同超分辨率结果、小型化、灵活的图像操作等优点。

Apr, 2021

提出了基于扩散的鲁棒退化去除器 (DR2) 去除盲目面部修复中存在的性能瓶颈，其通过采用良好表现的去噪扩散概率模型，将输入图像扩散到噪声状态，捕捉了迭代去噪步骤中的语义信息，从而与常见的退化鲁棒 (如模糊、调整大小、噪声和压缩) 相容并且在合成和真实世界数据集上超越了现有技术。

Mar, 2023