Fine color guidance in diffusion models and its application to image compression at extremely low bitrates

本研究解决了在不进行训练或微调的情况下，控制扩散模型生成的图像的全局色彩方面的挑战。我们重写了指导方程，以确保输出更接近已知的色彩映射，而不影响生成的质量。我们的方法导致了新的指导方程。我们在颜色指导的背景下表明，指导的缩放不应该降低，而是在整个扩散过程中保持高水平。在第二个贡献中，我们的指导应用于压缩框架，我们结合图像上的语义和一般颜色信息来以低成本解码图像。我们表明，与其他经典或更语义导向的方法相比，我们的方法在极低比特率下提高了压缩图像的保真度和逼真度。

控制图像的全局颜色是论文试图解决的问题。该论文尝试在不进行训练或微调的情况下实现这一目标。

该论文的关键思路是通过重新编写引导方程来确保输出更接近已知的颜色映射，同时不影响生成的质量。该方法导致了新的引导方程。

该论文的亮点在于将该方法应用于压缩框架，将图像的语义信息和一般颜色信息相结合，以低成本解码图像。与其他经典或更语义导向的方法相比，该方法在极低的比特率下提高了压缩图像的保真度和逼真度。

最近在这个领域中，还有一些相关研究。例如，标题为“基于深度学习的图像颜色控制”的论文提出了一种使用深度学习来控制图像颜色的方法。