利用去噪扩散模型(DDM)作为先验来解决逆贝叶斯问题的兴趣最近显著增加。本研究采用不同方法,利用 DDM 先验的特定结构定义了一组中间和简化的后验采样问题,相比以前的方法,降低了近似误差。我们通过使用合成示例和各种图像恢复任务来经验性地展示了我们方法的重建能力。
Mar, 2024
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
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
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
本研究提出了一种基于 Feynman-Kac 模型和顺序蒙特卡洛方法的算法 MCGdiff,用于解决结构先验在 Score-Based 生成模型中的反问题,并在数值模拟中表现出优越性能。
Aug, 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
本文描述了一种更高效的迭代隐式概率模型 —— 去噪扩散隐式模型(DDIMs),通过构建一类非马尔科夫扩散过程来加速采样过程,相对于去噪扩散概率模型(DDPMs)可以使采样速度提升 10 倍至 50 倍。这种模型可以用于图像生成和语义意义化的图像内插。
Oct, 2020
通过引入辅助优化变量,利用扩散过程重新定义嘈杂的反问题为受约束的双变量优化任务,该算法称为 ProjDiff,有效地利用了预训练扩散模型的先验信息和降噪能力。在各种线性和非线性反问题中,ProjDiff 在图像恢复任务、信源分离和部分生成任务方面展现出卓越的性能,凸显其在实际应用中的潜力。
Jun, 2024
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。