Decoupled Data Consistency with Diffusion Purification for Image Restoration

最近，扩散模型作为一种强大的深度生成先验类别，因其出色的数据分布建模能力，在各种图像恢复任务中获得了广泛的应用。为了解决图像恢复问题，许多现有技术通过将额外的似然梯度步骤纳入扩散模型的反向采样过程中，实现数据一致性。然而，额外的梯度步骤对于实际应用来说是一项挑战，因为它们会产生大量的计算开销，从而增加推理时间。此外，当使用加速扩散模型采样器时，它们还会带来额外的困难，因为数据一致性步骤的数量受反向采样步骤的限制。在本文中，我们提出了一种新颖的基于扩散的图像恢复求解器，通过将反向过程与数据一致性步骤分离来解决这些问题。我们的方法涉及交替进行重建阶段以维护数据一致性和精炼阶段以通过扩散净化来强制执行先验知识。我们的方法表现出了很强的适应性，因此在潜在空间中高效地解决问题。此外，通过一致性模型的整合，它减少了大量采样步骤的必要性。我们的方法在各种图像恢复任务中进行了全面的实验验证，包括图像去噪、去模糊、修复和超分辨率等。

本篇论文旨在解决图像恢复问题中，由于数据一致性需要额外的梯度步骤，导致计算负担大、推理时间长的问题。同时，该论文还试图通过整合一致性模型来减少采样步骤的必要性。

本文提出了一种基于扩散模型的图像恢复求解器，通过将反向采样过程与数据一致性步骤分离来解决计算负担大、推理时间长的问题。该方法交替进行重建阶段和精炼阶段，以实现数据一致性和先验的扩散净化。该方法通过整合一致性模型来减少采样步骤的必要性。

该论文的方法在多个图像恢复任务中进行了全面的实验验证，包括图像去噪、去模糊、修复和超分辨率等。实验结果表明，该方法具有高度的适应性和可行性，并且可以减少采样步骤的必要性。此外，该论文还开源了代码。

在最近的研究中，也有一些关于扩散模型在图像恢复中的应用。例如，'Image Restoration Using Diffusion Models'和'Diffusion Probabilistic Models for Image Denoising: Analysis and Insights'。