资阳地网站seo网站织梦程序改成wordpress
写在前面：本博客仅作记录学习之用，部分图片来自网络，如需引用请注明出处，同时如有侵犯您的权益，请联系删除！
文章目录
- 前言
- 论文
- 论文内容
- 不同退化的可分离性
- 实验
- 总结
- 互动
- 致谢
- 参考
- 往期回顾
前言
盲人脸复原通常将退化的低质量数据与预定义的退化模型进行训练，不足以囊括真实世界中的更复杂的退化场景；因此在复原真实退化时候经常观察到伪影。同时，构建训练集以覆盖真实世界的各种退化是不可能的。
本文为了解决这个问题，提出了一种两阶段的复原方法即基于扩散的鲁棒退化去除器（DR2），先将退化图像转换为粗糙但退化不变的预测，然后使用增强模块将粗糙预测恢复为高质量图像，使得DR2对常见的退化具有鲁棒性（例如模糊，调整大小，噪音和压缩）和兼容不同的设计增强模块。
论文
论文名： DR2：Diffusion-based Robust Degradation Remover for Blind Face Restoration
论文速递： 点我转跳哦
代码通道： Gitee
论文内容
不同退化的可分离性
- 左侧：不同的退化类型与原始分布是具有明显区分度。
- 右侧：添加高斯噪声或者说在进行若干次扩散后，不同的退化类型的数据分布变得难以区分。
- 所以：不管是什么退化类型，选择一个能从噪声图像中恢复出原始干净的人脸图像的模型，作为退化移除模块是可行。
DR2包含退化消除模块的和增强模块，在推理中，通过扩散过程对 y τ ， y τ + 1 , . . . . ， y w y_{\tau}，y_{\tau +1},....，y_w yτ，yτ+1,....，yw 进行采样，并将其作为指导。同时使用 y w y_w yw 作为 x w x_w xw，并从步骤 w w w 到 τ \tau τ 开始去噪过程。在每次从 x τ x_{\tau} xτ 到 x τ − 1 x_{\tau-1} xτ−1 的转换之后，将 y t − 1 y_{t-1} yt−1 的低频和 x t − 1 x_{t-1} xt−1 的高频结合起来。
假设：
- (1) 存在一个中间时间步长 τ {\tau} τ，使得对于 t > τ t>{\tau} t>τ， q ( x t ∣ x ) q ( x _ { t } | x ) q(xt∣x) 和 q ( y t ∣ y ) q ( y _ { t } | y ) q(yt∣y)之间的距离接近，特别是在低频部分;
- (2）存在 w > τ w>{\tau} w>τ, 使得 q ( x w ∣ x ) q ( x _ { w} | x ) q(xw∣x) 和 q ( y w ∣ y ) q ( y _ {w } | y ) q(yw∣y)之间的距离最终足够小，满足 q ( x w ∣ x ) ≈ q ( y w ∣ y ) q ( x _ { w} | x ) \approx q ( y _ {w } | y ) q(xw∣x)≈q(yw∣y)
创新：
- 迭代优化: 其中 Φ N ( ⋅ ) \Phi N ( \cdot ) ΦN(⋅) 表示低通滤波器 (退化图像中有效的高频部分很少)，确保语义一致。
- 进一步提升得到的图像质量，引入增强模块，如SPARNetHD和VQFR等都可以。
实验
在合成数据集和真实数据集上都展现了DR2的优异性能，超过一众SOTA方法。
总结
总结： DR2是一个两阶段的盲人脸恢复框架，利用预训练的DDPM从输入中去除退化，以及用于细节恢复的增强模块。在第一阶段，DR 2通过使用扩散的低-质量信息作为条件来指导生成过程。大量的比较表明，该转换具有很强的鲁棒性和DR2 框架的恢复质量很好。
互动
该文章对你有启发吗？
欢迎在评论区解答上述问题，分享你的经验和疑问！
当然，也欢迎一键三连给我鼓励和支持：👍点赞 📁 关注 💬评论。
致谢
欲尽善本文，因所视短浅，怎奈所书皆是瞽言蒭议。行文至此，诚向予助与余者致以谢意。
参考
[1] DR2_Drgradation_Remover
[2] DR2：Diffusion-based Robust Degradation Remover for Blind Face Restoration
往期回顾
 👆 DeepSeek本地化部署保姆级教程👆 |  👆 EfficientTrain++帮你降低网络训练的成本👆 |  👆 PyCharm环境下Git与Gitee联动👆 |
 👆 Ping通但SSH连接失败的解决办法👆 |  👆 轻量化设计如何提高模型的推理速度👆 |  👆 正则化与正则剪枝👆 |