利用扩散模型先验知识的深度展开网络用于图像压缩感知
计算机视觉与模式识别
2025-03-12 v1
摘要
最近，深度展开网络 (DUN) 在图像压缩感知领域取得了显著的重构质量。DUN 的重构质量取决于所学习的先验知识，因此引入更强的先验知识可进一步提高重构质量。相比之下，预训练扩散模型包含强大的先验知识，具有坚实的理论基础和强大的可扩展性，但需要大量迭代步骤才能实现重构。本文提出在 DUN 中利用预训练扩散模型的强先验知识，以较少步骤实现高质量图像重构。具体而言，我们首先设计一种名为扩散消息传递 (DMP) 的迭代优化算法，将预训练扩散模型嵌入每个迭代过程。然后，我们深入展开 DMP 算法，构建名为 DMP-DUN 的神经网络。该提出的 DMP-DUN 可使用轻量级神经网络将测量数据映射到逆扩散过程的中间步骤，直接逼近扩散模型的发散，从而进一步提高重构效率。大量实验表明，我们提出的 DMP-DUN 实现了最先进的性能，仅需 2 步即可完成图像重构。代码已公开于 https://github.com/FengodChen/DMP-DUN-CVPR2025。
引用
@article{arxiv.2503.08429,
title = {Using Powerful Prior Knowledge of Diffusion Model in Deep Unfolding Networks for Image Compressive Sensing},
author = {Chen Liao and Yan Shen and Dan Li and Zhongli Wang},
journal= {arXiv preprint arXiv:2503.08429},
year = {2025}
}
备注
CVPR2025 accepted