Rauschunterdrückung als Anpassung: Adaptation im Rauschraum für die Bildwiederherstellung

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

June 26, 2024

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

cs.AI

Zusammenfassung

Obwohl lernbasierte Bildrestaurierungsmethoden signifikante Fortschritte gemacht haben, haben sie immer noch Schwierigkeiten mit einer begrenzten Verallgemeinerung auf reale Szenarien aufgrund der erheblichen Domänenlücke, die durch das Training mit synthetischen Daten verursacht wird. Bestehende Methoden gehen dieses Problem an, indem sie die Datensynthesepipelines verbessern, Degradationskerne schätzen, tiefes internes Lernen nutzen und Domänenanpassung und Regularisierung durchführen. Frühere Domänenanpassungsmethoden haben versucht, die Domänenlücke zu überbrücken, indem sie domäneninvariante Kenntnisse entweder im Merkmal- oder Pixelraum erlernen. Diese Techniken haben jedoch oft Schwierigkeiten, sich auf Niedrigpegel-Visionaufgaben innerhalb eines stabilen und kompakten Rahmens auszudehnen. In diesem Papier zeigen wir, dass es möglich ist, Domänenanpassung über den Rauschraum mithilfe von Diffusionsmodellen durchzuführen. Insbesondere, indem wir die einzigartige Eigenschaft nutzen, wie Hilfsbedingungseingaben den mehrstufigen Denoisierungsprozess beeinflussen, leiten wir einen sinnvollen Diffusionsverlust her, der das Restaurierungsmodell dabei unterstützt, sowohl wiederhergestellte synthetische als auch reale Ausgaben progressiv mit einer sauberen Zielverteilung auszurichten. Wir bezeichnen diese Methode als "Denoising as Adaptation". Um Abkürzungen während des gemeinsamen Trainings zu verhindern, präsentieren wir entscheidende Strategien wie Kanal-Umordnungsschicht und Rest-Swapping-Kontrastives Lernen im Diffusionsmodell. Sie verwischen implizit die Grenzen zwischen konditionierten synthetischen und realen Daten und verhindern die Abhängigkeit des Modells von leicht unterscheidbaren Merkmalen. Experimentelle Ergebnisse zu drei klassischen Bildrestaurierungsaufgaben, nämlich Denoising, Deblurring und Deraining, zeigen die Wirksamkeit der vorgeschlagenen Methode.

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.