作者：Kangfu Mei , Nithin Gopalakrishnan Nair ,等

简介：本文研究如何利用去噪扩散概率模型先验来改进图像增强和恢复任务。条件扩散概率模型可以对自然图像的分布进行建模，并可以根据给定的条件生成多样且逼真的样本。然而，由于可观察到的颜色变化和纹理，他们的结果通常是不切实际的。作者认为这个问题是由模型学习的概率分布与自然图像分布之间的差异造成的。微妙的条件逐渐扩大了每个采样时间步长的差异。为了解决这个问题，作者引入了一种新方法，该方法使用预训练的无条件扩散模型将预测样本带入训练数据流形。无条件模型充当正则化器并减少条件模型在每个采样步骤中引入的差异。作者进行了全面的实验，以证明作者的方法在超分辨率、着色、湍流去除和图像去雨任务方面的有效性。通过作者的方法获得的改进表明，可以将先验作为改进条件扩散模型的通用插件。

论文下载：https://arxiv.org/pdf/2212.07352.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除