基于残差的高效双向扩散模型用于图像去雾与雾气生成

当前的深度去雾方法仅关注从雾霾图像中移除雾，缺乏在雾霾图像和无雾图像之间进行转换的能力。为此，我们提出了一种残差驱动的高效双向扩散模型(RBDM)，用于同时建模去雾和雾气生成的条件分布。首先，我们设计了双马尔可夫链，以有效平移残差并促进它们之间的双向平滑转换。其次，RBDM在不同时间步对雾霾图像和无雾图像进行扰动，并预测扰动数据中的噪声，以同时学习条件分布。最后，为了在相对较小的数据集上提高性能并降低计算成本，我们的方法引入了在图像块上学习的统一评分函数，而非整个图像。我们的RBDM成功实现了在仅需15个采样步骤下进行无雾图像和雾霾图像之间的大小无关的双向转换。广泛的实验表明，所提出的方法在合成数据集和真实世界数据集上均实现了优异或至少与最先进的方法相当的性能。