合成逼真图像复原训练对：一种扩散方法
计算机视觉与模式识别
2023-03-14 v1
摘要
在有监督图像复原任务中，一个关键问题是如何获取对齐的高质量（HQ）与低质量（LQ）训练图像对。遗憾的是，此类HQ-LQ训练对在实践中难以采集，且由于真实环境中复杂未知的退化而难以合成。尽管已有若干精细退化模型被手动设计用于从HQ图像合成LQ图像，合成与真实世界LQ图像间的分布差距仍然很大。我们提出一种利用新兴去噪扩散概率模型（DDPM）合成逼真图像复原训练对的新方法。首先，我们用大量收集的LQ图像（其定义目标数据分布）训练一个可将含噪输入转换为所需LQ图像的DDPM。然后，对于给定的HQ图像，我们使用现成退化模型合成初始LQ图像，并迭代地向其添加适当高斯噪声。最后，我们使用预训练DDPM对含噪LQ图像去噪，获得落入真实世界LQ图像目标分布的最终LQ图像。得益于DDPM在分布逼近上的强大能力，合成的HQ-LQ图像对可用于训练鲁棒模型以处理真实世界图像复原任务，如盲人脸图像复原与盲图像超分辨率。实验证明了我们所提方法相对于现有退化模型的优越性。代码与数据将公开。
引用
@article{arxiv.2303.06994,
title = {Synthesizing Realistic Image Restoration Training Pairs: A Diffusion Approach},
author = {Tao Yang and Peiran Ren and Xuansong xie and Lei Zhang},
journal= {arXiv preprint arXiv:2303.06994},
year = {2023}
}