Verbesserte Kontrolle für Diffusionsbrücken in der Bildrestaurierung

Die Bildrestaurierung bezieht sich auf den Prozess, ein beschädigtes, qualitativ minderwertiges Bild wieder in das entsprechende hochqualitative Bild zu überführen. Typischerweise verwenden wir konvolutionale neuronale Netzwerke, um direkt die Zuordnung von minderwertigen Bildern zu hochwertigen Bildern zu lernen, was die Bildrestaurierung ermöglicht. Kürzlich hat ein spezieller Diffusionsbrückenmodell fortschrittlichere Ergebnisse in der Bildrestaurierung erzielt. Es kann die direkte Zuordnung von minderwertigen zu hochwertigen Bildern in einen Diffusionsprozess umwandeln, indem es minderwertige Bilder durch einen umgekehrten Prozess wiederherstellt. Die aktuellen Diffusionsbrücken-Restaurierungsmodelle betonen jedoch nicht das Konzept der bedingten Kontrolle, was die Leistung beeinträchtigen könnte. Dieses Papier stellt das ECDB-Modell vor, das die Kontrolle der Diffusionsbrücke mit minderwertigen Bildern als Bedingungen verbessert. Darüber hinaus schlagen wir als Reaktion auf das Merkmal der Diffusionsmodelle, das bei größeren Werten von \ (t \) ein geringes Rauschunterdrückungsniveau aufweist, auch einen Bedingten Fusionszeitplan vor, der die bedingten Merkmalsinformationen der verschiedenen Module effektiver verarbeitet. Experimentelle Ergebnisse zeigen, dass das ECDB-Modell in vielen Aufgaben der Bildrestaurierung, einschließlich Regenentfernung, Bildvervollständigung und Superauflösung, erstklassige Ergebnisse erzielt hat. Der Code ist verfügbar unter https: //github. com/Hammour-steak/ECDB.