Blind Image Restoration via Fast Diffusion Inversion

最近，已经提出了各种方法来解决图像恢复（IR）任务，使用预训练扩散模型实现最先进的性能。然而，这些方法中大多数假设IR任务中的退化操作符是完全已知的。此外，这些方法中的一个共同特点是它们改变了扩散采样过程，以满足与退化输入图像的一致性。最近的研究表明，这种选择是次优的，并导致恢复的图像偏离数据流形。为了解决这些问题，我们提出了一种盲目IR方法，即通过快速扩散反演（BIRD），它联合优化退化模型参数和恢复的图像。为了确保恢复的图像位于数据流形上，我们在预训练扩散模型上提出了一种新的采样技术。我们方法的关键思想是不修改反向采样，即不修改所有中间潜变量，一旦采样初始噪声。这最终等价于将IR任务作为输入噪声空间中的优化问题。此外，为了减轻完全展开扩散模型反演的计算成本，我们利用这些模型跳过前向扩散过程的固有能力，使用大时间步长。我们在几个图像恢复任务上实验验证了BIRD，并展示了它在所有任务上均实现了最先进的性能。我们的代码可在https://github.com/hamadichihaoui/BIRD上获得。

本文旨在解决图像恢复任务中，对降级算子完全未知的情况下的盲恢复问题。同时，提出的方法不改变扩散采样过程，以确保恢复图像位于数据流形上。

本文提出了一种名为BIRD的盲图像恢复方法，它可以联合优化降级模型参数和恢复图像。其关键思想是将图像恢复任务视为在输入噪声空间中的优化问题，并且不改变反向采样过程。

本文的实验结果表明，BIRD在多个图像恢复任务中均取得了最先进的性能。此外，作者还开源了代码，并提供了多个数据集。

最近的相关研究包括使用预训练扩散模型的图像恢复方法以及盲图像恢复方法。例如，文章引用了以下几篇论文：《Blind Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Per-Pixel Non-Linearities》、《Blind Image Restoration via Deep Auto-Encoder-based Cascaded Networks》和《Blind Image Restoration by Learning End-to-End Linear Mappings》。