强化扩散：学习突破各向异性扩散在图像去噪中的极限
计算机视觉与模式识别
2026-01-01 v1
摘要
图像去噪是低级视觉中的一个重要问题，并且是许多图像恢复任务的关键模块。各向异性扩散是一类性能良好的图像去噪方法。然而，传统的各向异性扩散方法使用显式扩散算子，不能很好地适应复杂的图像结构。因此，与近期基于学习的方法相比，其性能受到限制。在本工作中，我们描述了一个基于强化学习的可训练各向异性扩散框架。通过将去噪过程建模为一系列由深度 Q-learning 学习其顺序的朴素扩散动作，我们提出了一种有效的基于扩散的图像去噪器。深度 Q-learning 在不同迭代中选择的扩散动作实际上构成了一个对各种图像结构具有强自适应性的随机各向异性扩散过程，从而优于传统方法。所提出的去噪器被应用于去除三种常见噪声。实验表明，它优于现有的基于扩散的方法，并与代表性的基于深度 CNN 的方法相竞争。
引用
@article{arxiv.2512.24035,
title = {Reinforced Diffusion: Learning to Push the Limits of Anisotropic Diffusion for Image Denoising},
author = {Xinran Qin and Yuhui Quan and Ruotao Xu and Hui Ji},
journal= {arXiv preprint arXiv:2512.24035},
year = {2026}
}