基于均值回复随机微分方程的图像复原
机器学习
2023-06-01 v3 计算机视觉与模式识别
摘要
本文提出一种用于通用图像复原的随机微分方程（SDE）方法。其核心构造在于一个均值回复 SDE，它将高质量图像转化为以固定高斯噪声为均值状态的退化对应图像。随后，通过模拟相应的逆时 SDE，我们能够在无需任何任务特定先验知识的情况下复原低质量图像的来源。关键在于，所提出的均值回复 SDE 具有闭式解，使我们能够计算随时间变化的真实得分并用神经网络学习它。此外，我们提出一个最大似然目标来学习最优逆轨迹，从而稳定训练并改善复原结果。实验表明，我们提出的方法在图像去雨、去模糊和去噪的定量比较中取得了极具竞争力的性能，并在两个去雨数据集上确立了新的 SOTA。最后，我们通过图像超分辨率、修复和去雾的定性结果进一步展示了本方法的普遍适用性。代码见 https://github.com/Algolzw/image-restoration-sde。
引用
@article{arxiv.2301.11699,
title = {Image Restoration with Mean-Reverting Stochastic Differential Equations},
author = {Ziwei Luo and Fredrik K. Gustafsson and Zheng Zhao and Jens Sjölund and Thomas B. Schön},
journal= {arXiv preprint arXiv:2301.11699},
year = {2023}
}
备注
Accepted by ICML 2023; Project page: https://algolzw.github.io/ir-sde/index.html