Image Restoration by Denoising Diffusion Models with Iteratively Preconditioned Guidance

训练深度神经网络已经成为解决图像恢复问题的常见方法。对于每个观察模型训练“特定任务”的网络的替代方法是使用预训练的深度去噪器，在迭代算法中仅强制信号的先验，而无需额外训练。最近，这种方法的基于采样的变体因扩散/基于分数的生成模型的兴起而变得流行。将去噪器用于通用恢复需要引导迭代以确保信号与观察结果的一致性。在低噪声设置下，基于反投影的引导已被证明是一种有前途的策略（最近也被称为“伪逆”或“范围/零空间”引导）。然而，观察结果中的噪声阻碍了此方法的收益。在本文中，我们提出了一种新的预处理引导技术，允许在恢复方案中从基于反投影的引导遍历到基于最小二乘的引导。所提出的方法对噪声具有鲁棒性，同时比替代方法实现更简单（例如，不需要SVD或大量迭代）。我们在优化方案和基于采样的方案中使用它，并展示了它在图像去模糊和超分辨率方面优于现有方法的优点。

本论文旨在解决图像恢复问题中使用预训练深度去噪器进行迭代算法的指导问题。在低噪声情况下，使用反投影（BP）进行指导已经被证明是一种有前途的策略，但是在存在噪声的情况下，这种方法无法取得很好的效果。因此，本论文提出了一种基于预条件的指导技术，可以在恢复过程中从基于BP的指导过渡到基于最小二乘的指导，从而解决了存在噪声的情况下的指导问题。

本论文提出了一种基于预条件的指导技术，可以在恢复过程中从基于BP的指导过渡到基于最小二乘的指导，从而解决了存在噪声的情况下的指导问题。

本论文的亮点在于提出了一种新的指导技术，可以解决存在噪声的情况下的图像恢复问题。实验结果表明，该方法比现有方法更加简单有效，可以在优化方案和采样方案中使用。论文使用了图像去模糊和超分辨率两个任务进行实验，并且证明了该方法的优越性。

在相关研究方面，最近的一些研究包括：《Deep Image Prior》、《Image Restoration Using Very Deep Convolutional Encoder-Decoder Networks with Symmetric Skip Connections》、《Deep Residual Learning for Image Restoration》等。