简介
主页:https://github.com/Algolzw/image-restoration-sde
扩散模型终于在去噪、超分辨率等应用了。
这是一种基于随机微分方程的通用图像恢复方法,关键结构包括均值还原SDE,该SDE将高质量图像转换为具有固定高斯噪声的平均状态的降级对应图像,通过模拟相应的逆时SDE,可以在不依赖任何特定任务的先验知识的情况下恢复低质量图像的原点,所提出的均值回归SDE具有封闭形式的解决方案,允许计算真实时间相关分数并使用神经网络学习它
贡献点
- 提出了一种通用的图像恢复方法,使用均值恢复SDE直接模拟图像退化过程。公式有一个封闭形式的解决方案,使能够计算地面真值与时间相关的分数函数,并训练神经网络来估计它。
- 提出了一个简单的替代损失函数来训练神经网络,基于最大化逆时间轨迹的可能性。与普通分数匹配目标相比,损失被证明可以稳定训练并持续提高图像恢复性能。
- 通过将其应用于六种不同的图像恢复任务来证明提出的方法的一般适用性:图像去除、去模糊、去噪、超分辨率、上漆和去雾。
- 在图像去噪、去模糊和去噪的定量比较中实现了极具竞争力的恢复性能,在两个去噪数据集上达到了新的水平。
实现流程
背景知识-SDE
前向过程
![在这里插入图片描述](https://img-blog.csdnimg.cn/774a272dbe8b4142aaec7fc58305583e.png)
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)