Denoising come Adattamento: Adattamento del Dominio dello Spazio del Rumore per il Ripristino delle Immagini

Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration

June 26, 2024

Autori: Kang Liao, Zongsheng Yue, Zhouxia Wang, Chen Change Loy

cs.AI

Abstract

Sebbene i metodi di ripristino delle immagini basati sull'apprendimento abbiano fatto progressi significativi, faticano ancora a generalizzare in scenari del mondo reale a causa della notevole differenza di dominio causata dall'addestramento su dati sintetici. I metodi esistenti affrontano questo problema migliorando i flussi di sintesi dei dati, stimando i kernel di degradazione, utilizzando l'apprendimento interno profondo e eseguendo l'adattamento di dominio e la regolarizzazione. I metodi precedenti di adattamento di dominio hanno cercato di colmare il divario di dominio apprendendo conoscenze invarianti al dominio nello spazio delle caratteristiche o dei pixel. Tuttavia, queste tecniche spesso faticano ad estendersi a compiti di visione a basso livello all'interno di un framework stabile e compatto. In questo articolo, mostriamo che è possibile eseguire l'adattamento di dominio tramite lo spazio del rumore utilizzando modelli di diffusione. In particolare, sfruttando la proprietà unica di come gli input condizionali ausiliari influenzano il processo di denoising a più passaggi, deriviamo una perdita di diffusione significativa che guida il modello di ripristino nell'allineare progressivamente sia le uscite sintetiche ripristinate che quelle del mondo reale con una distribuzione pulita di destinazione. Ci riferiamo a questo metodo come adattamento tramite denoising. Per evitare scorciatoie durante l'addestramento congiunto, presentiamo strategie cruciali come lo strato di channel-shuffling e il contrastive learning di residual-swapping nel modello di diffusione. Queste sfumano implicitamente i confini tra dati sintetici condizionati e reali e impediscono al modello di fare affidamento su caratteristiche facilmente distinguibili. I risultati sperimentali su tre classici compiti di ripristino delle immagini, ovvero denoising, deblurring e deraining, dimostrano l'efficacia del metodo proposto.

English

Although learning-based image restoration methods have made significant progress, they still struggle with limited generalization to real-world scenarios due to the substantial domain gap caused by training on synthetic data. Existing methods address this issue by improving data synthesis pipelines, estimating degradation kernels, employing deep internal learning, and performing domain adaptation and regularization. Previous domain adaptation methods have sought to bridge the domain gap by learning domain-invariant knowledge in either feature or pixel space. However, these techniques often struggle to extend to low-level vision tasks within a stable and compact framework. In this paper, we show that it is possible to perform domain adaptation via the noise space using diffusion models. In particular, by leveraging the unique property of how auxiliary conditional inputs influence the multi-step denoising process, we derive a meaningful diffusion loss that guides the restoration model in progressively aligning both restored synthetic and real-world outputs with a target clean distribution. We refer to this method as denoising as adaptation. To prevent shortcuts during joint training, we present crucial strategies such as channel-shuffling layer and residual-swapping contrastive learning in the diffusion model. They implicitly blur the boundaries between conditioned synthetic and real data and prevent the reliance of the model on easily distinguishable features. Experimental results on three classical image restoration tasks, namely denoising, deblurring, and deraining, demonstrate the effectiveness of the proposed method.