Joint Conditional Diffusion Model for Image Restoration with Mixed Degradations

图像恢复在恶劣天气条件下是相当具有挑战性的，特别是当多种退化同时发生时。盲图像分解被提出来解决这个问题，但是它的有效性严重依赖于每个组件的准确估计。虽然基于扩散的模型在图像恢复任务中具有强大的生成能力，但当受损图像严重损坏时，它们可能会生成无关的内容。为了解决这些问题，我们利用物理约束来指导整个恢复过程，构建了基于大气散射模型的混合退化模型。然后，我们通过将受损图像和退化掩模结合起来提供精确的指导，制定了我们的联合条件扩散模型（JCDM）。为了实现更好的颜色和细节恢复结果，我们还将一个细化网络集成到恢复图像的重建中，其中采用了不确定性估计块（UEB）来增强特征。在多种天气和特定天气数据集上进行的大量实验表明，我们的方法优于现有的竞争方法。

本文试图解决在恶劣天气条件下图像恢复的问题，特别是在多重退化同时发生时。同时，它还试图解决盲图像分解方法的精确估计问题和扩散模型在严重损坏图像中生成无关内容的问题。

本文通过引入物理约束来指导整个恢复过程，构建基于大气散射模型的混合退化模型，并将退化图像和退化掩码结合起来提供精确的指导。同时，本文进一步整合了一个细化网络来重构恢复的图像，其中使用不确定性估计块来增强特征。

本文的亮点在于使用了物理约束来指导图像恢复过程，提出了混合退化模型和细化网络，并使用了不确定性估计块来增强特征。实验结果表明，本文的方法优于当前最先进的竞争方法。

在这个领域中，最近的相关研究包括：``Single Image Dehazing via Multi-Scale Convolutional Neural Networks''、``Fast Single Image Haze Removal Using Dark Channel Prior''等。