BriefGPT - AI 论文速递
·
从后验抽样到图像恢复中的有意义多样性
💡
原文英文，约100词，阅读约需1分钟。
📝
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，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。
🎯
关键要点
- 提出了一种基于无监督学习的生成扩散先验（GDP）方法。
- 采用预训练的去噪扩散生成模型（DDPM）建模后验分布。
- 通过优化退化模型参数实现盲图像恢复。
- 采用分层引导和基于块的方法，支持任意分辨率图像生成。
- 实验结果显示，GDP 在图像重建质量和感知质量基准测试中表现优异。
- GDP 在各种任务和图像大小的数据集上均表现良好。
➡️
