Generative Diffusion Prior for Unified Image Restoration and Enhancement 论文阅读笔记

• 这是CVPR2023的一篇用diffusion先验做图像修复和图像增强的论文

• 之前有一篇工作做了diffusion先验（Bahjat Kawar, Michael Elad, Stefano Ermon, and Jiaming Song, “Denoising diffusion restoration models,” arXiv preprint arXiv:2201.11793, 2022. 2, 4, 6, 7），但这个模型只能做线性的退化，对于暗图增强这种非线性退化复原则没有能力。

• 关键的公式就是如下的式子：
  
  式7是diffusion模型的reverse过程，带了个条件y（低质量图片），通过约等号，条件y表现为了正态分布均值的偏差。按原先的diffusion先验，其实就是在diffusion的reverse的过程中，每次加噪的过程前都调整一下均值项。一个训练好的diffusion模型，不需要改变均值项和噪声方差的预测参数，只需要用另一个模型在reverse的过程中调整原模型预测的均值项即可。而这个调整项涉及的优化目标即为式8，由两部分组成，一部分是增强/复原 结果降质后和低质量原图的距离损失，一个是针对特殊任务的效果提升项，使得增强/复原结果具有期望的性质（如亮度）。其流程如下：
  

• 但作者认为，用$x_t$的来算guidance有问题，原因是$x_t$和$y$带的噪声是不同种类不同强度的，算损失有问题。作者改进了这一过程，用$x_0$的估计来算，如下：
  

• 用的是从$x_t$推导出来的$x_0$来算的guidance

• image restoration任务的degradation算子之前的工作已经介绍过了，本文提出了一个enhancement任务的degradation算子：
  

• 就是乘以一个scale再加一个mask。但 f 和 M depend on x，所以这个式子表示的degradation其实并不是线性的。

• 前面提到，损失函数由两部分组成，一部分是距离函数，另一部分是无监督的质量函数。质量函数采用的是Zero-DCE的exp loss、color loss和tv loss：
  
  
  

• 实验结果还不错（我只关注了暗图增强任务）
  
  

• 启发：用diffusion先验来进行暗图增强的部分，degradation的公式设计得巧妙简单，通过加M并且用M的tv loss的方式来进行增强是一个简单有效的idea，不过可能可以有更加有效的方法