Mar, 2024

通过后验采样解决一般有噪音的逆问题：一种策略梯度视角

PDF
TL;DR使用预训练扩散生成模型以输入图像为指导，通过 Diffusion Policy Gradient 方法精确估计输入图像的指导评分函数，解决多种线性和非线性反问题，并在 FFHQ、ImageNet 和 LSUN 数据集上实现更高的图像恢复质量。
image inverse problemssuper-resolutioninpaintingdiffusion generative modelimage restoration
发现论文，激发创造
  • 扩散后验采样用于一般噪声反问题

    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

  • 通过潜在扩散模型的后验抽样可证明解决线性反问题

    我们提出了第一个框架，利用预先训练好的潜在扩散模型来解决线性反问题。在理论和实验分析中，我们都展现出在各种问题中都优于先前提出的后验采样算法，包括随机修补、块修补、去噪、去模糊处理、去除条纹和超分辨率。

    Jul, 2023

  • 扩散模型求解逆问题的变分视角

    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

  • 基于扩散模型的原则性概率成像使用即插即用的先验

    采用扩散模型和马尔可夫链 - 蒙特卡洛算法解决反问题，通过降低到高斯去噪问题的后验采样，有效地实现了更准确的重建和后验估计。

    May, 2024

  • DDGM: 基于扩散去噪的梯度最小化求解反问题

    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

  • 基于证明可靠性的分数传播后验采样用于即插即用图像重建

    本研究提出了一种算法框架，用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP)，交替调用两个采样器，一个仅基于前向模型的似然函数的邻近一致性采样器，另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了 DPnP 在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证，并通过数值实验证明了其潜力。

    Mar, 2024

  • 生成扩散先验用于图像修复和增强

    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

  • 通过迭代预条件引导的去噪扩散模型进行图像恢复

    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

  • 扩散后照明技术用于模糊感知逆向渲染

    逆向渲染是从图像中推断场景属性的挑战性逆向问题。我们提出了一种新颖的方案，将预训练于自然照明图上的降噪扩散概率模型与可微分路径追踪器相结合，允许从自然且能解释图像观察的光照和空间变化的表面材料组合中进行采样，以恢复材料并生成高度逼真和多样化的环境贴图样本。

    Sep, 2023

  • 利用前向模型的扩散：无需直接监督解决随机逆问题

    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