论文标题

Residual Denoising Diffusion Models

残差去噪扩散模型

论文链接

Residual Denoising Diffusion Models论文下载

论文作者

Jiawei Liu, Qiang Wang, Huijie Fan, Yinong Wang, Yandong Tang, Liangqiong Qu

内容简介

本文提出了一种新颖的双重扩散过程模型——残差去噪扩散模型（RDDM），该模型将传统的单去噪扩散过程分解为残差扩散和噪声扩散。RDDM通过引入残差，将原本不适用于图像恢复的去噪扩散模型扩展为一个统一且可解释的模型，适用于图像生成和恢复任务。

具体来说，残差扩散表示从目标图像到退化输入图像的方向性扩散，而噪声扩散表示扩散过程中的随机扰动。RDDM能够有效地统一需要不同确定性或多样性要求的任务，如图像生成和恢复。实验结果表明，RDDM在图像恢复任务中，仅使用一个通用的UNet网络和L1损失函数，就能与最先进的图像恢复方法相媲美。

关键点

1.双重扩散框架

• RDDM将传统的去噪扩散过程分解为残差扩散和噪声扩散，分别表示方向性扩散和随机扰动。
• 通过独立的系数调度控制残差和噪声的扩散速度，使得模型在生成和恢复任务中具有更高的灵活性和可解释性.

2.残差与噪声的独立性

• 残差扩散优先考虑确定性，而噪声扩散强调多样性，使得RDDM能够有效地处理需要不同确定性或多样性要求的任务。
• 在实验中，RDDM通过独立预测残差和噪声，展示了在图像生成和恢复任务中的优越性能.

3.部分路径独立的生成过程

• 提出了一种部分路径独立的生成过程，允许在生成过程中调整扩散速度曲线而不影响生成结果。
• 通过分别预测残差和噪声，并使用不同的网络结构，RDDM能够在一定程度上实现路径独立的生成过程.

4.广泛的实验验证

• 在多个图像恢复任务（如去阴影、低光照增强、去雨和去模糊）中，RDDM展示了与现有最先进方法相媲美的性能。
• 实验结果表明，RDDM在少量采样步骤下即可实现高质量的图像恢复，且在图像生成任务中也表现出良好的性能.

CV-diffusion models必读论文合集：

CV-扩散模型必读论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！

论文代码

https://github.com/nachifur/RDDM