基于扩散模型的顺序后验采样
通过使用新的采样策略 Come-Closer-Diffuse-Faster (CCDF) 和现有的前馈神经网络方法相结合,本文在超分辨率、图像修补和压缩感知MRI等三个领域取得了最优的重建性能。
Dec, 2021
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
借鉴扩散模型的进展,我们提出了一种混合方法以改进超声成像质量,通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法,并在模拟、离体和体内数据上进行全面的实验,证明其较单一面波输入和现有方法相比实现了高质量的图像重建。
Oct, 2023
本研究通过对超参数进行广泛搜索,对超声心动图生成中的图像扩散模型进行了深入研究,旨在为超声影像和视频生成领域建立基准,并提供指南。通过采用先进的模型架构和训练方法,研究分析了真实样本和生成样本之间的分布差异,并提出了解决方案,对于在生成数据上训练高效模型至关重要。通过研究,确定了我们研究问题的最佳FID得分为0.88,并获得了2.60的FID。本研究旨在为超声影像和视频生成领域提供有价值的见解,并作为进一步发展的参考。
Nov, 2023
利用新型采样框架和先进的扩散模型,我们提出了一种从射频数据中重建图像的方法,以加速高质量图像的生成过程。通过实验评估,我们的方法在单平面波条件下胜过了具有75个平面波空间相干合成的传统延迟和求和(DAS)技术。
Dec, 2023
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
该研究解决了扩散模型在取样速度上存在的瓶颈,通过提出一种新的框架,能够自适应地分配计算资源以估计得分,从而减少整体取样时间。研究发现,得分估计所需的计算量会随着时间步变化,提出的早期退出策略能够在不影响图像质量的前提下显著提高取样吞吐量。
Aug, 2024
本研究针对视频逆问题中时空降解的挑战,提出了一种创新的视频逆求解器,利用图像扩散模型进行求解。通过灵感来自近期的分解扩散采样器,研究方法在每个图像扩散模型的去噪时空批次中,优化时空问题,最终有效解决了视频逆问题中的多种时空降解,达到了最先进的重建效果。
Sep, 2024