基于高效图像修复的扩散模型测试时训练探索
摘要
图像修复面临特征融合无效、计算瓶颈和扩散过程不够高效等挑战。为此，我们提出 DiffRWKVIR，一种新型框架将测试时训练（Test-Time Training, TTT）与高效扩散相结合。我们方法的三个关键创新点包括：（1）Omni-Scale 2D State Evolution 将 RWKV 的位置相关参数化扩展到层次化多向 2D 扫描，实现 O(L) 的线性复杂度，使其具备全局上下文感知能力；（2）Chunk-Optimized Flash Processing 通过连续块处理（O(LCd) 复杂度）加快块内并行度 3.2 倍，减少顺序依赖和计算开销；（3）Prior-Guided Efficient Diffusion 在仅 5-20 步内提取紧凑的图像先验表示（IPR），在 DiffIR 基础上实现训练/推理速度提升 45%，解决去噪过程中的计算效率问题。在超分辨率和图像填充基准测试（Set5、Set14、BSD100、Urban100、Places365）上，DiffRWKVIR 在 PSNR、SSIM、LPIPS 和效率指标上均优于 SwinIR、HAT 和 MambaIR/v2。我们的方法建立了一种具有优化硬件利用率的自适应高效图像修复新范式。
引用
@article{arxiv.2506.14541,
title = {Exploring Diffusion with Test-Time Training on Efficient Image Restoration},
author = {Rongchang Lu and Tianduo Luo and Yunzhi Jiang and Conghan Yue and Pei Yang and Guibao Liu and Changyang Gu},
journal= {arXiv preprint arXiv:2506.14541},
year = {2025}
}
备注
We withdraw this paper due to erroneous experiment data in the ablation study, which was inadvertently copied from our preprint "Ultra-Lightweight Semantic-Injected Imagery Super-Resolution for Real-Time UAV Remote Sensing" This nearly constituted academic misconduct. We sincerely apologize and thank those who alerted us