SmartLab307的博客

摘要： CVPR 2024论文《HIR-Diff》提出了一种无监督高光谱图像（HSI）恢复方法，通过改进扩散模型解决高维数据恢复难题。该方法利用HSI的低秩特性，将其分解为降维图像A（由预训练扩散模型恢复）和光谱系数矩阵E（通过SVD与RRQR估计），显著降低了计算复杂度。引入指数噪声调度优化推理效率，仅需少量采样步数即可保持高质量重建。实验表明，HIR-Diff在去噪、超分辨率和缺失像素修复任务中性能优于或媲美现有方法，且计算效率显著提升（如去噪任务仅需17秒）。核心贡献在于将低秩分解与扩散先验结合，无需

图像降噪是一个十分具有实用价值的研究方向，因为噪声总是无处不在的。当处于比较昏暗的环境时，噪声将极大地影响着我们所拍摄的图像。如今，随着深度学习算法以及相关硬件的不断发展，深度卷积网络同样在图像降噪领域占据了主流，并且代表了该领域最优异的成绩。但是，深度神经网络同样有着其缺点，例如模型过于庞大而计算复杂度过高，以及缺乏一些理论上的解释性，当然这些缺点正不断地得到弥补。为了更好地理解图像降噪的基本原理，我们有必要回过头来仔细研读一些传统算法的具体思路，了解其所使用基本理论依据，以及一些巧妙的改进方法。

的产生是信号在采集、传输以及记录过程中，受到成像设备自身因素和外界环境的影响而产生的。现实中的噪声是随机分布的，事实上，噪声无法完全去除，只能使得重现信号尽可能的接近原始信号，因此，去噪严格意义上只能被称之为降噪。通过去噪可以有效地增大图像信号的信噪比，提高图像质量 ，更好地体现原始图像所携带的信息。

topic【研究意义】在本文中，我们对用于图像恢复任务的深度学习方法进行了广泛的回顾。以卷积神经网络为首的深度学习技术在几乎所有图像处理领域，尤其是图像分类领域，都受到了广泛关注。然而，图像恢复是一个基本且具有挑战性的课题，在图像处理、理解和表示中起着重要作用。【图像恢复的细分研究方向】它通常处理图像去模糊 (image deblurring)、去噪 (denoising)、去雾 (dehazing) 和超分辨率 (super-resolution)。【图像恢复方法】