Очистка от шума как адаптация: адаптация домена шума для восстановления изображений

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

June 26, 2024

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

cs.AI

Аннотация

Хотя методы восстановления изображений на основе обучения достигли значительного прогресса, они все еще сталкиваются с ограниченной обобщаемостью к реальным сценариям из-за существенного разрыва доменов, вызванного обучением на синтетических данных. Существующие методы решают эту проблему путем улучшения конвейеров синтеза данных, оценки ядер деградации, использования глубокого внутреннего обучения, а также выполнения адаптации домена и регуляризации. Предыдущие методы адаптации домена стремились устранить разрыв доменов, обучаясь на доменно-инвариантных знаниях либо в пространстве признаков, либо в пространстве пикселей. Однако эти техники часто испытывают трудности в расширении на задачи низкоуровневого зрения в рамках стабильной и компактной структуры. В данной статье мы показываем, что возможно выполнять адаптацию домена через пространство шума с использованием моделей диффузии. В частности, используя уникальное свойство того, как вспомогательные условные входы влияют на многошаговый процесс устранения шума, мы вывели содержательную функцию потерь диффузии, которая направляет модель восстановления в постепенном выравнивании как восстановленных синтетических, так и реальных выходов с целевым чистым распределением. Мы называем этот метод адаптацией через устранение шума. Для предотвращения укорачивания пути во время совместного обучения мы представляем важные стратегии, такие как слой перестановки каналов и контрастное обучение с перестановкой остатков в модели диффузии. Они неявно размывают границы между условными синтетическими и реальными данными и предотвращают зависимость модели от легко различимых признаков. Экспериментальные результаты на трех классических задачах восстановления изображений, а именно устранение шума, размытие и удаление дождя, демонстрируют эффективность предложенного метода.

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.