.png){kind=icon}
返回
Gradient-Aware Gamma Adjustment for Robust Diffusion-Based Computational Imaging
.png){kind=icon}
PRE
AI
DOI：10.1109/TCI.2026.3669384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恢复受空间可变失真退化的图像仍是计算成像领域的一个基本挑战。尽管基于扩散的方法（如带有预条件引导的去噪扩散（DDPG））提供了高效的求解器，但它们通常依赖于后向投影（BP）和最小二乘（LS）引导之间的静态、全局固定的权衡。这种静态调度阻碍了采样过程适应异质局部信噪比特征的能力，通常导致在复杂或混合内容区域中出现次优恢复。我们提出了梯度感知伽马调整（GAGA），一种空间自适应框架，以像素级方式调节预条件引导。通过利用从中期重建中提取的多尺度梯度提示，GAGA动态调整BP–LS平衡，以更好地适应局部结构变化。从理论角度来看，我们通过噪声依赖缩放因子σ_e^(-2)明确地将LS引导与高斯似然分数对齐，对LS引导进行了优化。我们进一步证明，在受界调节下，所得到的空自适应预条件器保持严格正定，确保为不适定逆问题提供适定且数值稳定的引导。在CelebA-HQ和ImageNet上的大量实验，以及在空间可变降质和计算成像任务（包括超分辨率、图像修复、CT和MRI重建）上的实验，均表明与静态预条件基线相比，在保真度（PSNR）和感知质量（LPIPS）两方面均实现了持续改进，且未引入明显的计算开销。
Keyword:
Computational imaging
inverse problems
diffusion models
image restoration
adaptive guidance
back-projection
gradient-aware
期刊
I
IF:
4.8
论文数:
131
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Super-Resolution in Low Dose X-ray CT via Focal Spot Mitigation With Generative Diffusion Networks
PREAI
分享收藏
查看更多内容