Sep, 2024

ReviveDiff：用于恢复恶劣天气条件下图像的通用扩散模型

HTML
PDF
TL;DR本研究解决了挑战性环境下图像质量显著下降的问题。提出的"ReviveDiff"网络架构能够针对多种退化情况进行通用恢复，利用扩散模型的最新进展，从宏观和微观层面提升图像质量。实验结果表明，ReviveDiff在量化和视觉效果上均优于现有最先进的方法。
发现论文，激发创造
  • 降级即升级：学习退化以提升低光图像

    本研究提出了一种新的Degradation-to-Refinement Generation Network（DRGN），通过两个步骤研究自然低光图像中的intrinisic degradation和diffuse illumination color loss的问题，使其具有更好的表现和性能。

    Mar, 2021

  • 基于块降噪扩散模型的恶劣天气条件下视觉恢复

    基于概率模型的图像修复算法，通过引导去噪过程来实现任意尺寸的图像修复。该算法在图像去雪、去雨和去雾等数据集上表现出了领先的性能，并且在实际测试图像方面具有很强的泛化性能。

    Jul, 2022

  • 深度最优输运：一种逼真图像恢复的实用算法

    提出了一种图像恢复算法，该算法可控制任何预训练模型的感知质量和/或均方误差，通过对测试时间的控制，实现其中之一。

    Jun, 2023

  • 图像恢复与增强的扩散模型——综合调查

    图像修复是一个具有挑战性的任务，在近期，扩散模型在图像的生成上取得了显著的进展，但关于扩散模型在图像修复中的应用却鲜有综合且有启发性的研究，本文首次对基于扩散模型的图像修复方法进行全面的综述与评估，并提出了未来研究的五个潜在和具有挑战性的方向。

    Aug, 2023

  • 混合降解图像恢复的联合条件扩散模型

    在恶劣天气条件下，图像恢复是一项具有挑战性的任务，而盲解析图像分解技术是为了解决这个问题而提出的一种方法，它依赖于每个部分的精确估计。为了解决这些问题，我们利用物理约束来指导整个恢复过程，构建基于大气散射模型的混合退化模型，并将退化图像和退化遮罩合并到我们的联合条件扩散模型中，以提供精确指导。为了实现更好的颜色和细节恢复结果，我们进一步整合了一个细化网络来重建恢复图像，其中采用了不确定性估计块来增强特征。在多种气象和特定天气数据集上进行的大量实验证明了我们方法在竞争方法中的优越性。

    Apr, 2024

  • 在野外应用具有控制能力的视觉语言模型进行照片逼真图像修复

    采用强大的视觉语言模型和合成降解管道，通过基于扩散模型和后验采样策略的鲁棒训练，提高图片还原质量并解决特定数据集无法恢复模糊、缩放、噪声和JPEG压缩等不同降解方式的问题。

    Apr, 2024

  • 高效的考虑降质的图像修复

    提出了一种高效的全能图像修复器DaAIR，使用低秩模型DaLe来协同挖掘不同退化中共享的特征和细微差别，生成具有退化感知的嵌入，实现了全面和特定学习的统一模型。通过动态分配模型容量给输入的退化，达到了高效的修复效果。与现有的全能模型和特定退化模型相比，展示了优异的性能和实用性。

    May, 2024

  • Diff-Restorer：基于扩散的通用图像修复中的视觉提示释放

    通过扩散模型基于预训练的视觉语言模型提取视觉提示，我们提出了Diff-Restorer通用图像修复方法，以去除降级同时生成高感知质量修复结果，并通过全面的定性和定量分析展示了我们的方法的效果和优越性。

    Jul, 2024

  • OneRestore: 复合材料损伤的通用修复框架

    通过提出一种多功能图像模型 OneRestore，结合四个物理破坏范式以准确地表示复杂的、综合的退化情景，并利用独特的交叉关注机制和复合退化恢复损失，该框架能够以自适应、可控的方式进行场景恢复，成功地解决了复杂、综合退化问题，使其在图像修复领域显著超越了现有技术的水平。

    Jul, 2024

  • 基于退化提示扩散的无数据蒸馏用于多天气图像恢复

    本研究解决了在内存受限设备上多天气图像恢复中的数据获取困难问题。论文提出了一种新颖的无数据蒸馏框架D4IR，该框架使用预训练的扩散模型替代GAN以避免模型崩溃，并通过退化感知提示适配器生成领域相关图像。实验表明，所提方法的性能与使用原始训练数据蒸馏的模型相当，甚至优于其他主流的无监督方法。

    Sep, 2024