近年来,随着深度学习技术的发展,图像复原领域取得了长足的进步。然而,现有的大多数方法都是针对特定任务设计的,缺乏通用性。最近,一种基于平均回复随机微分方程(Mean-Reverting Stochastic Differential Equations, IR-SDE)的通用图像复原方法引起了研究者的广泛关注。本文将详细介绍这种新型的图像复原技术。
IR-SDE方法的核心思想是构建一个将高质量图像转换为低质量图像的前向随机微分方程(SDE)过程,然后通过模拟相应的反向SDE过程来实现图像复原。这种方法不依赖于任何特定任务的先验知识,具有很强的通用性。
具体来说,IR-SDE方法包含以下几个关键步骤:
构建前向SDE过程:设计一个平均回复SDE,将高质量图像x(0)转换为其低质量对应物μ,同时添加固定的高斯噪声。
求解闭式解:IR-SDE的一个重要特性是具有闭式解,这使得可以计算真实的时间依赖得分函数。
学习反向SDE过程:通过神经网络学习最优的反向轨迹,实现从低质量图像到高质量图像的转换。
图像复原:通过模拟反向SDE过程,实现图像复原。
IR-SDE方法的核心是以下两个SDE方程:
dx = θt(μ - x)dt + σtdw
dx = [θt(μ - x) - σt^2∇xlogpt(x)]dt + σtdŵ
其中,θt和σt是时间依赖的参数,μ是低质量图像,w和ŵ是标准维纳过程。
通过求解这两个SDE方程,IR-SDE方法能够在不依赖任何特定任务先验知识的情况下,实现从低质量图像到高质量图 像的转换。
相比传统的图像复原方法,IR-SDE具有以下几个显著优势:
通用性强:IR-SDE方法可以应用于多种图像复原任务,如去雨、去模糊、去噪等,只需更换数据集即可。
理论基础扎实:IR-SDE方法基于严格的数学推导,具有良好的理论基础。
性能优异:在多项图像复原任务上,IR-SDE方法都取得了与现有最先进方法相当甚至更优的性能。
可解释性强:IR-SDE方法的整个过程都有清晰的物理意义,增强了模型的可解释性。
研究者在多个图像复原任务上对IR-SDE方法进行了评估,包括图像去雨、去模糊、去噪等。实验结果表明,IR-SDE方法在这些任务上都取得了优秀的性能。
以图像去雨任务为例,在Rain100H数据集上,IR-SDE方法取得了以下性能:
方法 | PSNR | SSIM | LPIPS | FID |
---|---|---|---|---|
IR-SDE | 31.65 | 0.9041 | 0.047 | 18.64 |
Restormer | 31.46 | 0.904 | - | - |
MPRNet | 30.41 | 0.8906 | 0.158 | 61.59 |
PReNet | 29.46 | 0.8990 | 0.128 | 52.67 |
可以看到,IR-SDE方法在各项指标上都优于其他最先进的方法。
除了去雨任务,IR-SDE方法在其他图像复原任务上也展现出了优秀的性能。例如,在非均匀去雾任务中:
在图像去阴影任务中: