驯化生成扩散模型用于通用盲图像修复
内容提要
本文介绍了一种基于无监督学习的生成扩散先验（GDP）方法，利用预训练的去噪扩散生成模型进行盲图像恢复。实验结果表明，GDP在图像重建质量上优于现有方法。此外，DiffPIR和DiffBIR等新方法在图像恢复任务中也表现出色，推动了扩散模型在图像修复领域的应用。
延伸解读
扩散模型在盲图像修复中的演进脉络
文章梳理了从2023年4月到2024年5月间扩散模型在盲图像修复领域的多项进展，包括GDP、DiffPIR、DiffBIR、BlindDiff、BIRD等。这些方法在无监督学习、即插即用框架、文本到图像先验利用、期望最大化估计等方向各有侧重，反映出该领域从单一方法向多路径探索的快速演进。读者可借此了解技术发展的主要分支与时间节点。
无监督与有监督方法的性能对比
GDP作为无监督方法，在图像重建质量和感知质量的基准测试中优于当前领先的无监督方法，并在多种任务和图像尺寸上表现良好。而DiffPIR、DiffBIR等方法在特定任务上取得了最先进的性能，但多依赖于预训练模型或特定退化假设。这提示读者，无监督方法在泛化性上可能有优势，而有监督方法在特定场景下性能更突出，选择时需权衡。
实际应用中的泛化能力与计算效率
DiffBIR通过两阶段流程和可控模块平衡质量与保真度，在合成和实际数据集上优于现有方法；基于一致性模型的求解器通过解耦逆向过程和数据一致性步骤，减少了采样步骤，提高了计算效率。这些设计表明，实际部署时需关注模型对未知退化的泛化能力以及采样效率，而非仅追求峰值指标。
Q&A
生成扩散先验（GDP）方法的主要特点是什么？
GDP方法基于无监督学习，利用预训练的去噪扩散生成模型进行盲图像恢复，能够产生任意分辨率的图像。
DiffPIR和DiffBIR在图像恢复中有什么创新之处？
DiffPIR将传统的plug-and-play方法与扩散采样框架结合，DiffBIR则利用预训练的文本到图像扩散模型，通过两阶段流程提高泛化能力。
如何评估GDP在图像重建中的表现？
实验结果表明，GDP在图像重建质量和感知质量的基准测试中优于现有的无监督方法。
扩散模型在图像修复领域的应用前景如何？
扩散模型在图像修复领域的应用前景广阔，推动了新方法的开发，并为未来研究提供了多个潜在方向。
BIRD方法是如何转化图像恢复任务的？
BIRD方法通过新的采样技术将图像恢复任务转化为优化问题，同时优化退化模型参数和恢复图像。
如何提高扩散模型在图像恢复中的计算效率？
通过解耦逆向过程和数据一致性步骤，结合一致性模型，减少采样步骤的必要性，从而提高计算效率。
