文章目录
前言
关于扩散模型以及条件扩散模型的介绍，大家可以前往我的上一篇博客：扩散模型diffusion model用于图像恢复任务详细原理 (去雨，去雾等皆可)，附实现代码。
SR3是利用扩散模型进行图像超分辨率研究的，它在使用低分辨率图像作为条件来进行反向采样时先将低分辨率图像直接上采样到高分辨率图像。因此，它通过一些改进可以作为图像恢复这种输入与输出图像大小相等的任务。
代码及原文链接
原文：https://arxiv.org/abs/2104.07636
源代码：https://github.com/Janspiry/Image-Super-Resolution-via-Iterative-Refinement
我用它来做图像恢复的代码：图像去雨、去雾等恢复任务：代码简化的SR3扩散模型，有注释及实验流程
主要的点
SR3模型将DDPM中的残差块替换为BigGAN的残差块，并将跳跃连接重新缩放 。
增加了剩余块的数量，以及不同分辨率下的通道乘法器。
还有一个拼接操作，就是将低分辨图像直接上采样后的图像与噪声图像进行拼接，从而实现条件噪声估计。
如何进行图像恢复
- 源代码中包括大量的小文件，不适合初学者调试和使用。
- 我根据其核心代码进行简化，将一些不必要的代码文件和代码块删除，并在Rain13K (就是MPRNet、Restormer等方法使用的去雨数据集) 上进行了实验，目前取得不错的表现。可以参考下边的对比。
- 其他的任务应该也是可以直接使用的，只需要修改一下配置文件中的数据集路径即可。
- 需要使用SR3扩散模型做图像去雨、去雾等恢复任务的可以前往：图像去雨、去雾等恢复任务：代码简化的SR3扩散模型，有注释及实验流程。
- 附上一组在Rain13K训练集上训练，在Rain100H上测试的结果。源代码中的迭代次数为1, 000, 000，我这里是只迭代了 180, 000次后进行测试的结果。
文章出处登录后可见！
已经登录？立即刷新
