.png){kind=icon}
.png){kind=icon}
返回
Image restoration based on nonconvex gradient regularized denoising diffusion model
.png){kind=icon}
PRE
AI
DOI：10.1117/1.jei.35.3.033018.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
去噪扩散模型在图像恢复任务中表现出卓越性能；然而，其有效性常因观测噪声干扰而受限，导致复杂退化场景中细节丢失和伪影生成。我们提出了一种具有广义Charbonnier梯度正则化的去噪扩散模型，该模型整合扩散先验与广义Charbonnier梯度先验，以建立参数化图像恢复框架。核心创新在于引入非凸梯度正则化项和即插即用采样模式，即迭代去噪梯度正则化和去噪扩散梯度正则化。前者通过梯度约束抑制噪声伪影以提升峰值信噪比，后者则通过细节增强策略优化感知质量（学习感知图像块相似性）。与依赖退化算子强假设的传统方法不同，本框架无需模型重训练即可适应多场景恢复任务。在CelebA-HQ 1K和ImageNet 1K数据集上的大量实验表明，本方法显著优于当前最优方法。消融研究进一步验证了梯度正则化项对噪声鲁棒性和细节重建能力的核心贡献。
Keyword:
denoising diffusion models
zero-shot image restoration
nonconvex gradient regularization
generalized Charbonnier prior
plug-and-play sampling strategy