【NeurIPS 2024】用于变分似然估计和图像去噪的扩散先验

在低级计算机视觉中，真实世界的噪声去除至关重要。由于扩散模型在生成方面的显著能力，近期研究逐渐关注利用扩散先验来完成图像恢复任务。然而，现有基于扩散先验的方法通常仅考虑简单噪声类型或依赖于近似后验估计，限制了它们在处理真实世界图像中常见的结构化和信号依赖性噪声方面的效果。在本文中，我们基于扩散先验，提出了一种在反向扩散过程中进行自适应似然估计和最大后验（MAP）推断的方法，以应对真实世界的噪声。我们引入了独立且非同分布的似然，并结合噪声精度（逆方差）先验，通过变分贝叶斯方法在生成过程中动态推断精度后验。同时，我们通过局部高斯卷积修正估计的噪声方差。最终的去噪图像通过传播平衡更新的似然与扩散先验的中间MAP解得到。此外，我们还探讨了低分辨率扩散模型中固有的局部扩散先验，从而能够直接处理高分辨率的噪声图像。在多个真实世界数据集上的大量实验和分析表明了我们方法的有效性。代码可在https://github.com/HUST-Tan/DiffusionVI获取。