可逆扩散模型用于压缩感知
内容提要
本文介绍了多种图像超分辨率和恢复技术，包括隐式扩散模型（IDM）、CommIN和ACDMSR等。这些模型结合神经网络和扩散方法，显著提升了图像质量和重建准确性，尤其在极端条件下表现优越。同时，研究探讨了反转方法和迭代降噪机制，以优化图像处理性能。
延伸解读
扩散模型在图像恢复中的演进
文章梳理了从2020年到2024年扩散模型在图像恢复领域的发展脉络。早期工作如DDIM（2020）通过非马尔可夫过程将采样速度提升10至50倍，解决了扩散模型生成速度慢的痛点。随后，DDNM（2022）和DDRM（2022）将扩散模型应用于任意线性图像修复问题，无需额外训练即可实现超分辨率、去模糊等任务。2023年后，研究转向更复杂的条件生成和反转方法，如CommIN和AIDI，旨在提升极端条件下的感知质量和编辑能力。这一演进显示了扩散模型从加速采样到通用恢复，再到精细控制的趋势。
可逆神经网络与扩散模型的结合
CommIN模型将高质量源图像恢复视为逆问题，并创新性地结合了可逆神经网络（INN）和扩散模型。INN能够保证信息在前向和反向传播中的无损性，而扩散模型则提供强大的生成先验。这种组合在极端退化条件下（如低信噪比）显著提升了感知质量，相比DeepJSCC等传统方法更具优势。该思路表明，将物理逆问题框架与深度生成模型融合，是提升图像恢复鲁棒性的有效途径，尤其适用于通信和压缩感知等对保真度要求高的场景。
反转方法在真实图像编辑中的挑战与进展
文本引导的扩散模型在图像编辑中表现出强大能力，但将其应用于真实图像需要先将图像反转到预训练扩散模型的域中，这一过程称为反转。准确反转仍是一个挑战，尤其是对于降噪步骤较少的快速生成模型。文章介绍了一种基于迭代降噪的反转方法（RenNoise），通过在每一步反转采样中迭代应用预训练扩散模型并平均预测，提高了重建准确性而不增加操作次数。该方法在多种采样算法和模型上验证了有效性和速度，并展示了基于文本的真实图像编辑能力，为实际应用提供了可行方案。
加速条件扩散模型在超分辨率中的应用
ACDMSR模型针对图像超分辨率任务，通过预训练的超分辨率模型生成视觉逼真的低分辨率图像作为条件，从而在可实践场景中实现优秀的超分辨率结果。与直接使用退化模型生成的低分辨率图像相比，这种方法能更好地模拟真实退化过程，提升最终重建质量。ACDMSR属于条件扩散模型的一种，它利用预训练模型提供条件信息，减少了扩散模型对大量计算资源的需求，为超分辨率技术在实际场景中的部署提供了新思路。
Q&A
隐式扩散模型 (IDM) 是什么？
隐式扩散模型 (IDM) 结合神经表示和去噪扩散模型，实现高保真持续图像超分辨率，适应连续分辨率需求。
CommIN 模型的主要优势是什么？
CommIN 将高质量源图像恢复视为逆问题，通过可逆神经网络和扩散模型提高感知质量，尤其在极端条件下表现优越。
如何提高图像重建的准确性？
通过引入迭代降噪机制和反转方法，可以提高图像重建的准确性，展示在真实图像上的可编辑性。
去噪扩散隐式模型 (DDIMs) 的特点是什么？
去噪扩散隐式模型 (DDIMs) 通过构建非马尔科夫扩散过程，加速采样过程，速度提升可达 10 倍至 50 倍。
ACDMSR 模型的作用是什么？
ACDMSR 模型通过预训练的超分辨率模型生成视觉逼真的低分辨率图像，提升超分辨率结果。
DDNM 框架的优势是什么？
DDNM 框架用于任意线性图像修复问题，只需一个预训练的扩散模型，无需额外训练，表现优于其他零射击方法。
