基于扩散的不完整欧几里得距离矩阵修复方法对分数布朗运动生成的轨迹
内容提要
本文探讨了基于扩散概率模型（DDPM）的图像修复技术，提出了RePaint和RePaint+等新算法，能够有效处理图像缺失信息并提高修复质量。研究推动了对人脑多尺度结构的理解，并在图像生成和修复中实现了更高的语义连贯性和控制性。
延伸解读
扩散模型在随机过程上的新探索
文章首次尝试在具有无限二次变差的随机过程上建立生成模型，这扩展了扩散模型的应用范围。传统扩散模型通常针对有限变差过程，而无限二次变差过程（如分数布朗运动）具有更复杂的路径性质，该工作为生成模型处理此类过程提供了新思路，可能推动随机分析领域与深度生成模型的交叉研究。
RePaint+：校正偏差与线性收敛
针对RePaint算法存在的偏差问题，文章提出RePaint+，校正了偏差并提升了采样恢复效果，具有线性收敛结果。这意味着在图像修复任务中，RePaint+能更稳定、更高效地收敛到高质量解，尤其对于自由形式抠图等复杂场景，其性能优势可能更明显。
TPMs引导扩散模型提升可控性
文章提出利用可计算条件概率的Tractable Probabilistic Models（TPMs）指导扩散模型的去噪过程，从而改进受限图像生成的质量和语义连贯性。该方法能接受图像特定区域的语义约束，推动更可控的图像生成任务发展，为需要精确控制生成内容的场景提供了新工具。
扩散桥模型实现非随机噪声信息编辑
通过扩展扩散模型，文章引入扩散桥模型作为自然替代方法，该模型从数据中学习扩散桥分数并求解基于这些分数的微分方程，将一种分布映射到另一种分布。这使得在图像编辑等应用中能够纳入非随机噪声信息，为图像编辑提供了更灵活的控制手段。
Q&A
什么是基于扩散的图像修复算法？
基于扩散的图像修复算法利用噪声扩散概率模型（DDPM）来填充缺失信息并生成高度逼真的图像。
RePaint和RePaint+有什么区别？
RePaint+校正了RePaint中的偏差问题，提升了采样恢复效果，并具有线性收敛结果。
如何利用扩散模型进行图像生成？
扩散模型通过学习扩散桥分数，将一种分布映射到另一种分布，从而实现图像生成和编辑。
GradPaint方法是如何改善图像修复的？
GradPaint通过计算模型损失与输入图像的相干性，利用扩散模型的梯度来引导生成过程。
扩散模型在处理未知蒙版时有什么优势？
扩散模型能够很好地处理未知蒙版，避免了多数图像修复算法需要反复训练的问题。
这项研究对人脑结构的理解有什么贡献？
研究利用最新成像技术对人脑进行细胞水平成像，推动了对人脑多尺度结构的理解。
