我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法，它利用波浪变换加速推理并降低计算资源使用但不损失信息，并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块，利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明，我们的方法在定量和视觉上均优于现有的最先进方法，并且与以前的扩散方法相比，在效率上获得了显着的提高。此外，我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。

Jun, 2023

通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。

Nov, 2022

介绍了一种名为 WF-Diff 的新型水下图像增强框架，利用频域信息和扩散模型的特性，通过 Wavelet-based Fourien information interaction network (WFI2-net) 和 Frequency Residual Diffusion Adjustment Module (FRDAM) 的网络来实现水下图像的增强和细节调整。该算法在真实水下图像数据集上显示了最先进的性能，并在视觉质量方面取得了有竞争力的表现。

Nov, 2023

基于去噪扩散模型的迭代学习人脸修复系统（IDM）能够实现真实的人脸修复，具有优秀的性能，同时对图像生成任务也有帮助。

Jul, 2023

提出了一种新颖的基于频域引导的多尺度扩散模型（FDDiff），该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤，使用小波包频域链提供多尺度的中间目标，以逐步补充缺失的高频细节，并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分，通过对流模型在图像超分辨率任务中生成高质量图像，并在广泛的评估中展示了其优于先前的生成方法的结果。

May, 2024

提出了一种基于 Transformer 的盲目人脸修复方法 BFRC; 该方法在处理长距离依赖关系方面较传统方法更有效，能够重建保留有身份特征的细节丰富的图像。

Feb, 2024

该论文提出了一种深度字典网络（称为 DFDNet），用于参考基础面部修复方法中没有限制同一身份高质量参考图像的场景，并通过字典功能转移块从高质量图像中生成字典以修复真实降质图像上的细节。

Aug, 2020

通过 Wavelet-Based Diffusion Model 和 Efficient Conditional Sampling，本研究提出了一种更加高效的图像恢复方法，其速度可以达到传统方法的 100 倍以上，并在四个基准数据集上实现了最先进的性能。

May, 2023

该论文提出了一种名为 HifaFace 的简单而有效的方法，该方法从两个角度解决了通过循环一致性满足约束条件，隐藏原始图像信息以实现面部编辑的问题，并提出了一种新的属性回归损失来实现面部编辑的精细控制。

Mar, 2021

我们探索了个性化人脸修复模型的潜力，通过使用扩散模型个性化恢复模型，保留细节的同时实现对身份的量身定制，通过使用独立的可训练模块以充分利用基础恢复模型的丰富先验信息，并通过引入生成规则器来避免模型依赖低质量图像中遗留的身份部分，我们展示了我们的方法在多个真实场景中对多个身份的鲁棒性能，并通过用户研究评估了生成细节的感知质量和忠实度，我们的方法被评为最佳的 61%。

Mar, 2024