Denoising als Aanpassing: Ruimte-ruis Domein Aanpassing voor Beeldherstel

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

June 26, 2024

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

cs.AI

Samenvatting

Hoewel op machine learning gebaseerde methoden voor beeldherstel aanzienlijke vooruitgang hebben geboekt, hebben ze nog steeds moeite met beperkte generalisatie naar echte scenario's vanwege de aanzienlijke domeinverschillen die worden veroorzaakt door training op synthetische gegevens. Bestaande methoden pakken dit probleem aan door data synthese pipelines te verbeteren, de degradatiekernels te schatten, diep intern leren toe te passen, en domeinaanpassing en regulering uit te voeren. Vorige domeinaanpassingsmethoden hebben geprobeerd het domeinverschil te overbruggen door domein-invariante kennis te leren in zowel kenmerk- als pixelruimte. Deze technieken hebben echter vaak moeite om uit te breiden naar laag-niveau visietaken binnen een stabiel en compact kader. In dit artikel laten we zien dat het mogelijk is om domeinaanpassing uit te voeren via de ruimte van ruis met behulp van diffusiemodellen. In het bijzonder, door gebruik te maken van de unieke eigenschap van hoe hulpconditionele invoer de meerstaps denoising proces beïnvloedt, leiden we een betekenisvolle diffusieverlies af die het herstelmodel begeleidt bij het geleidelijk afstemmen van zowel herstelde synthetische als echte uitvoer op een doeldistributie. We verwijzen naar deze methode als denoising als aanpassing. Om shortcuts tijdens gezamenlijke training te voorkomen, presenteren we cruciale strategieën zoals kanaal-shuffling laag en residu-swap contrastief leren in het diffusiemodel. Ze vervagen impliciet de grenzen tussen geconditioneerde synthetische en echte gegevens en voorkomen dat het model vertrouwt op gemakkelijk herkenbare kenmerken. Experimentele resultaten op drie klassieke beeldhersteltaken, namelijk denoising, deblurring en deraining, tonen de effectiviteit van de voorgestelde methode aan.

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.