Restauração de Imagens com Equações Diferenciais Estocásticas que Retornam à Média

Este artigo apresenta uma abordagem de equação diferencial estocástica (EDE) para restauração de imagens de uso geral. A construção chave consiste em uma EDE que retorna à média que transforma uma imagem de alta qualidade em uma contraparte degradada como um estado médio com ruído gaussiano fixo. Em seguida, ao simular a EDE correspondente ao tempo reverso, somos capazes de restaurar a origem da imagem de baixa qualidade sem depender de nenhum conhecimento prévio específico da tarefa. Crucialmente, a EDE que retorna à média proposta possui uma solução em forma fechada, permitindo-nos calcular a pontuação dependente do tempo da verdade fundamental e aprendê-la com uma rede neural. Além disso, propomos um objetivo de máxima verossimilhança para aprender uma trajetória reversa ótima que estabiliza o treinamento e melhora os resultados da restauração. Os experimentos mostram que nosso método proposto alcança um desempenho altamente competitivo em comparações quantitativas em desaguar, desfoque e remoção de ruído, estabelecendo um novo estado da arte em dois conjuntos de dados de desaguar. Finalmente, a aplicabilidade geral da nossa abordagem é ainda demonstrada por resultados qualitativos em super-resolução de imagem, inpainting e desembaçamento. O código está disponível em https://github.com/Algolzw/image-restoration-sde.