图像去噪：Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising

论文作者：Yujin Wang,Lingen Li,Tianfan Xue,Jinwei Gu

作者单位：Shanghai Artificial Intelligence Laboratory;The Chinese University of Hong Kong

论文链接：http://arxiv.org/abs/2309.10714v1

内容简介：

1）方向：图像去噪

2）应用：图像去噪

3）背景：传统的监督式去噪方法通常从嘈杂输入中学习重构干净图像，但这些方法存在固有的频谱偏差，容易产生过度平滑和模糊的图像。近年来，研究人员尝试了扩散模型来在图像恢复任务中生成高频细节，但这些模型不能保证生成的纹理与真实图像对齐，导致了不可取的伪影。

4）方法：本文提出了一种名为“Reconstruct-and-Generate Diffusion Model (RnG)”的新方法。该方法利用了一个重建去噪网络来恢复大部分干净信号，作为后续步骤的初始估计，以保持保真度。此外，它采用扩散算法生成残余的高频细节，从而增强了视觉质量。研究还引入了一个两阶段训练方案，以确保RnG的重建和生成模块之间有效地协作。为了减少扩散模型引入的不良纹理，研究还提出了一个自适应步骤控制器，调节扩散模型应用的反向步数，从而控制每个块中添加的高频细节的水平，并节省推断的计算成本。

5）结果：通过提出的RnG方法，研究取得了在视觉感知和失真之间的更好平衡。在合成和实际的去噪数据集上进行了广泛的实验证明，验证了该方法的优越性。