#图像恢复

DA-CLIP模型通过视觉语言控制实现通用图像修复。用户可以通过多种方式使用预训练模型，如Gradio应用测试图像，或通过提供的代码示例和数据准备步骤进行训练和评估。该项目提供解决多种真实世界图像退化问题的方法，并提供多种预训练模型供下载。功能和性能的持续更新显著提升了其在图像修复中的适用性。

该项目整理汇总了ICCV2023会议发表的低层视觉领域论文和相关代码实现。内容涵盖图像恢复、超分辨率、去噪、去模糊等多个研究方向,并进行了分类整理。项目提供论文链接和代码仓库地址,方便研究者快速查找所需资源。同时还收录了其他相关会议的低层视觉论文集合链接,为该领域研究提供全面的参考资料。

CCSR项目专注于提高扩散模型在内容一致超分辨率任务中的稳定性。项目引入全局标准差(G-STD)和局部标准差(L-STD)两个新指标，用于评估基于扩散的方法在超分辨率结果中的图像级和像素级变化。实验表明，CCSR在真实世界和双三次超分辨率任务中均有优异表现，能够生成更稳定、高质量的图像。项目提供开源代码、预训练模型和在线演示，方便研究人员和开发者使用。

该项目提出IR-SDE和Refusion两种图像恢复方法。IR-SDE采用均值回复随机微分方程,在多项任务中达到最优性能。Refusion整合潜空间扩散模型,可处理大尺寸真实图像。这些技术适用于合成和实际数据集,有效解决图像去雨、去雾、去阴影等问题。项目开源完整PyTorch实现代码,并提供预训练模型和使用指南。

DiffIR是一种专为图像修复设计的创新扩散模型。它结合了紧凑的图像修复先验提取网络、动态图像修复变换器和去噪网络，相比传统扩散模型实现了更快速、稳定的图像恢复。在多项图像修复任务中，DiffIR展现出最先进的性能，同时大幅降低计算成本，为图像修复技术开辟了新的发展方向。