统一深度随机过程进行图像增强

深度随机过程最近已成为图像增强的中心范例，许多方法明确地调节退化输入的随机轨迹。然而，这些条件过程和标准扩散模型之间的关系仍不清楚。在这项工作中，我们通过将最新方法分为三个连续时间过程系列，引入了随机图像增强的统一视角：无条件扩散模型、Ornstein-Uhlenbeck (OU) 过程和扩散桥。我们证明所有这些方法都源于常见的随机微分方程（SDE）公式。该框架明确表明，看似不同的方法主要在漂移和扩散项、终端分布和边界条件方面有所不同，而调度器和采样器构成了正交设计选择。利用这种统一，我们使用相同的架构和训练协议对多个图像增强任务进行了受控实证研究。我们的结果表明没有一致的主导方法；相反，我们会识别并理清对性能影响最大的具体设计选择。最后，我们发布了 ItoVision，一个模块化的 PyTorch 库，它实现了统一的框架，并实现了随机图像增强方法的快速原型设计和公平比较。