通过具有动态分辨率的扩散模型进行图像恢复

扩散模型（DM）在各种图像恢复任务中表现出了显着的功效。然而，现有方法通常在高维像素空间内运行，导致计算开销较高。虽然基于潜在 DM 的方法试图通过利用变分自动编码器的压缩潜在空间来缓解这个问题，但它们需要重复的编码器-解码器推理。这会带来显着的额外计算负担，通常导致运行时性能甚至低于像素空间对应的性能。为了缓解计算效率低下的问题，这项工作建议使用动态分辨率 DM 将数据投影到低维子空间中，以加速推理过程。我们首先对动态分辨率先验的预训练 DM 进行微调，并将 DPS 和 DAPS（这两种广泛用于一般图像恢复任务的像素空间方法）调整到所提出的框架中，从而产生我们分别称为 SubDPS 和 SubDAPS 的方法。鉴于 SubDAPS 良好的推理速度和重建保真度，我们引入了一种称为 SubDAPS++ 的增强变体，以进一步提高重建效率和质量。对不同图像数据集和各种恢复任务的实证评估表明，在大多数实验场景中，所提出的方法优于最近基于 DM 的方法。该代码可在 https://github.com/StarNextDay/SubDAPS.git 获取。