ESDiff: 面向彩色图像修复的编码策略启发式扩散模型与小样本学习
计算机视觉与模式识别
2025-04-25 v1
摘要
图像修复是一种用于恢复图像缺失或损坏区域的技术。传统方法主要利用相邻像素的信息来重建缺失区域，但在保留复杂细节和结构方面存在困难。同时，基于深度学习的模型需要大量的训练数据。为了应对这一挑战，本文提出了一种面向彩色图像修复的编码策略启发式扩散模型与小样本学习方法。这种新颖编码策略的主要思想是部署“虚拟掩码”，通过通道间的相互扰动来构建高维对象。该方法使扩散模型能够从有限的训练样本中捕获多样的图像表示和细节特征。此外，该编码策略利用通道间的冗余性，在迭代修复过程中与低秩方法相结合，并融入扩散模型以实现准确的信息输出。实验结果表明，我们的方法在定量指标上超越了现有技术，重建图像的质量在纹理和结构完整性方面均有所提升，从而获得了更精确、更连贯的结果。
引用
@article{arxiv.2504.17524,
title = {ESDiff: Encoding Strategy-inspired Diffusion Model with Few-shot Learning for Color Image Inpainting},
author = {Junyan Zhang and Yan Li and Mengxiao Geng and Liu Shi and Qiegen Liu},
journal= {arXiv preprint arXiv:2504.17524},
year = {2025}
}
备注
11 pages,10 figures,Submit to tcsvt