Efficient Diffusion Model for Image Restoration by Residual Shifting

虽然基于扩散的图像恢复方法已经取得了显著的成功，但由于需要执行数百甚至数千个采样步骤，它们仍然受到低推理速度的限制。现有的加速采样技术虽然旨在加快过程，但不可避免地在一定程度上牺牲了性能，导致恢复结果过于模糊。为了解决这个问题，本研究提出了一种新颖高效的扩散模型，显著减少了所需的扩散步骤。我们的方法避免了推理过程中的后加速，从而避免了相关的性能恶化。具体而言，我们提出的方法建立了一个马尔可夫链，通过移动其残差来促进高质量和低质量图像之间的转换，从而大大提高了转换效率。还设计了一个精心制定的噪声时间表，以灵活控制扩散过程中的移动速度和噪声强度。广泛的实验评估表明，所提出的方法在三个经典的图像恢复任务（即图像超分辨率、图像修复和盲脸恢复）上实现了优越或可比的性能，\textit{\textbf{即使只有四个采样步骤}}。我们的代码和模型可在\url{https://github.com/zsyOAOA/ResShift}上公开获取。

本文旨在解决图像恢复方法中存在的计算速度慢的问题，提出了一种新的扩散模型，通过减少扩散步骤的数量来提高计算速度。

本文提出了一种基于马尔科夫链的扩散模型，通过移动高质量和低质量图像之间的残差来提高转换效率，并使用噪声调度来控制移动速度和噪声强度。

本文的方法不需要后处理加速，避免了性能下降的问题。实验结果表明，即使只有四个采样步骤，该方法在图像超分辨率、图像修复和盲人脸修复等三个任务上都能实现优于或与当前最先进方法相当的性能。作者公开了代码和模型。

相关工作包括基于扩散的图像恢复方法，以及针对计算速度的加速技术。