[논문 리뷰] Denoising Diffusion Restoration Models

Abstract 

기존 Diffusion model을 통해 이미지 복원 작업을 수행하는 DDRM(Denoising Diffusion Restoration Model)을 제안한다.

이미지 복원 작업을 Linear Inverse Problems으로 정의하고 이를 Diffusion 알고리즘을 통해 해결한다. 

 

역문제로 캐스팅될 수 있다. 이러한 문제를 해결하기 위한 최근의 접근법 제품군은 측정값이 주어진 자연 이미지의 사후 분포에서 표본을 추출하는 확률적 알고리듬을 사용한다. 그러나 효율적인 솔루션은 종종 사후를 모델링하기 위해 문제별 감독 교육이 필요한 반면, 문제별이 아닌 감독되지 않은 방법은 일반적으로 비효율적인 반복 방법에 의존한다. 이 연구는 효율적이고 감독되지 않은 사후 샘플링 방법인 노이즈 제거 확산 복원 모델(DDM)을 도입하여 이러한 문제를 해결한다. 변형 추론에 의해 동기 부여된 DDRM은 선형 역문제를 해결하기 위해 사전 훈련된 노이즈 제거 확산 생성 모델을 활용한다. 우리는 다양한 양의 측정 노이즈에서 초해상도, 디블러링, 인페인팅 및 컬러화를 위한 여러 이미지 데이터 세트에서 DDRM의 다재다능성을 보여준다. DDRM은 재구성 품질, 지각 품질 및 런타임에서 다양한 ImageNet 데이터 세트에서 현재 최고의 비지도 방법을 능가하며 가장 가까운 경쟁업체보다 5배 빠르다. 또한 DDRM은 관찰된 ImageNet 훈련 세트의 분포에서 자연 이미지에 대해 잘 일반화한다.

1. Introduction 

2. Background 

3. Denoising Diffusion Restoration Models