使用基础扩散模型进行图像恢复的面向能量的扩散桥

通过明确连接干净和退化的图像分布，扩散桥模型在图像恢复方面显示出了巨大的前景。然而，它们通常依赖于复杂且高成本的轨迹，这限制了采样效率和最终恢复质量。为了解决这个问题，我们提出了一种面向能量的扩散桥（E-Bridge）框架来近似一组低成本流形测地轨迹，以提高所提出方法的性能。我们通过设计一种新颖的桥接过程来实现这一目标，该过程在较短的时间范围内演化，并使反向过程从混合退化图像和高斯噪声的熵正则化点开始，这在理论上减少了所需的轨迹能量。为了有效地解决这个过程，我们从一致性模型中汲取灵感，学习单步映射函数，通过针对我们的轨迹定制的连续时间一致性目标进行优化，以便分析地将轨迹上的任何状态映射到目标图像。值得注意的是，我们框架中的轨迹长度成为一个可调的任务自适应旋钮，使模型能够自适应地平衡信息保存与不同退化任务的生成能力，例如去噪与超分辨率。大量实验表明，我们的 E-Bridge 在各种图像恢复任务中实现了最先进的性能，同时通过单个或更少的采样步骤实现高质量恢复。我们的项目页面是https://jinnh.github.io/E-Bridge/。