基于均值回复随机微分方程的图像复原

本文提出了一种基于随机微分方程（SDE）的通用图像修复方法。该方法的核心在于构建一个均值回归SDE，该方程将高质量图像转换为以固定高斯噪声为均值状态的退化图像。然后，通过模拟相应的逆时间SDE，我们能够在不依赖任何特定任务先验知识的情况下恢复低质量图像的原始状态。关键的是，所提出的均值回归SDE具有闭式解，使我们能够计算随时间变化的真实得分，并使用神经网络进行学习。此外，我们提出了一种最大似然目标函数来学习最优的逆向轨迹，这有助于稳定训练过程并提高修复效果。实验结果表明，我们的方法在图像去雨、去模糊和去噪的定量比较中表现出极高的竞争力，并在两个去雨数据集上达到了新的最先进水平。最后，通过在图像超分辨率、修复和去雾方面的定性结果进一步证明了我们方法的通用适用性。代码可在https://github.com/Algolzw/image-restoration-sde 获取。