Diffusion Models in Low-Level Vision: A Survey

深度生成模型因其生成能力在低级别视觉任务中引起了广泛关注。其中，以正向扩散过程和反向去噪过程为特征的扩散模型解决方案因其产生优质和多样化样本的能力而广受赞誉。这确保了生成具有复杂纹理信息的视觉吸引力结果。尽管它们取得了显著的成功，但在综合调查中存在明显的差距，该调查将这些开创性的扩散模型作品融合在一起并组织相应的线索。本文提出了扩散模型技术的全面审查。我们提出了三个通用的扩散模型框架，并探讨了它们与其他深度生成模型的关系，建立了理论基础。在此基础上，我们介绍了扩散模型的多角度分类，考虑了底层框架和目标任务。此外，我们总结了应用于其他任务的扩展扩散模型，包括医学、遥感和视频场景。此外，我们提供了常用基准和评估指标的概述。我们在三个重要任务中进行了全面的评估，包括性能和效率，评估了扩散模型技术。最后，我们阐明了当前扩散模型的局限性，并提出了七个有趣的未来研究方向。这项全面的研究旨在促进对低级别视觉任务中去噪扩散模型的环境的深入理解。在https://github.com/ChunmingHe/awesome-diffusion-models-in-low-level-vision上可以找到超过20个低级别视觉任务中的扩散模型技术的策划列表。

本论文旨在综述扩散模型在低级视觉任务中的应用，包括其理论基础、任务分类、扩展模型和评估指标，并提出未来研究方向。

本论文提出了三种通用的扩散模型框架，并探讨了它们与其他深度生成模型的相关性。同时，本文提出了一种多角度的扩散模型分类方法，考虑了底层框架和目标任务。

本文总结了20多种低级视觉任务中的扩散模型，并提供了常用的基准和评估指标。此外，本文在三个突出任务中对扩散模型的性能和效率进行了全面评估。本文还提出了七个未来研究方向。

最近的相关研究包括《Generative Models for Effective ML》、《A Survey of Deep Learning for Scientific Discovery》等。