.png){kind=icon}
返回
Closing the training-sampling gap in conditional diffusion models for versatile image restoration
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112983.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出了两种简单且模型无关的数据增强策略，能够在不要求复杂调优的情况下增强扩散模型对分布偏移的鲁棒性。
• 我们提供了严谨的理论和实证支持，以验证我们方法的有效性和合理性。
• 我们证明，我们的方法在多种图像修复任务中能够持续提升感知质量。
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
查看更多机构
引用论文
Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation利用深度生成先验进行通用图像恢复和处理
OAAI
.png){kind=icon}
OAAI分享收藏CMAI-Det: Cross-Modal Alignment and Interaction for RGB-T Object Detection in Drone ScenesCMAI-Det：无人机场景中RGB-T目标检测的跨模态对齐与交互
PREAI
分享收藏All-in-One Weather-Degraded Image Restoration Via Adaptive Degradation-Aware Self-Prompting Model一体化天气劣化图像修复：基于自适应劣化感知自提示模型
PREAI
分享收藏Direct Gibbs posterior inference on risk minimizers: Construction, concentration, and calibration
OAAI
OAAI分享收藏 没有更多内容