扩散模型图像复原新突破：动态预测时间步，性能达SOTA！
Dynamic Time Step Prediction in Inverse Heat Dissipation for Blur-Like Image Restoration Tasks
📖 AI 总结
该研究针对扩散模型在图像复原任务中的反演策略提出改进。传统方法通常将退化图像反演至预设的中间时间步以保留信息，但固定时间步难以适应不同退化程度——严重退化图像需要更早的起始时间步。此外，基于DDIM的模型通过添加高斯噪声破坏原始信号，与模糊、雾霾、低光等模糊类退化的特性不匹配。为此，作者提出两项解决方案：一是采用逆热耗散模型作为替代扩散过程，通过逐步模糊数据点实现扩散；二是引入时间预测器，估计反演起始时间步，使模型自适应退化严重程度。在标准基准上的大量实验表明，该方法在定量与定性评估中均达到当前最优性能，并对多种复原任务展现出良好泛化能力。
🔑 关键词速览
| 扩散反演 | 将扩散模型逆向运行，从退化图像中恢复或保留信息的过程。 |
| 逆热耗散模型 | 一种替代的扩散过程，通过逐渐模糊数据点来模拟图像退化，更符合模糊类退化的特性。 |
| DDIM | 去噪扩散隐式模型，一种扩散模型变体，通过添加高斯噪声进行图像生成或复原。 |
| 时间预测器 | 一个估计反演起始时间步的模块，使模型能自适应不同严重程度的退化。 |
| 模糊类图像复原 | 针对模糊、雾霾、低光等退化类型的图像恢复任务。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅