从后验抽样到图像恢复中的有意义多样性

通过研究生成有意义多样的图像修复方法，探索了多种后处理方法，结合扩散图像恢复方法生成有意义多样的输出，而仅带来可忽略的计算开销。

本文介绍了一种基于无监督学习的生成扩散先验（GDP）方法，可用于盲图像恢复。该方法采用预训练的去噪扩散生成模型（DDPM）来建模后验分布，并通过优化退化模型参数来实现图像恢复。实验结果表明，GDP 在各种图像重建质量和感知质量的基准测试中表现优异。