基于扩散模型的图像去污点结题报告.docVIP

基于扩散模型的图像去污点结题报告

一、研究背景与问题提出

在数字图像采集与传播过程中，图像污点是一种常见且影响严重的质量问题。这些污点来源广泛，既可能源于硬件设备缺陷，如传感器噪点、镜头灰尘附着，也可能产生于传输与存储环节，如数据丢失、压缩失真，还可能因外力因素导致，如照片物理损伤、扫描件污渍等。传统图像去污点方法主要包括基于滤波的方法、基于稀疏表示的方法以及基于深度学习的生成对抗网络（GAN）方法，但均存在一定局限性。

基于滤波的方法，如中值滤波、双边滤波等，通过对像素邻域进行统计计算来平滑图像，虽然计算成本低，但容易模糊图像边缘与细节，尤其在处理复杂纹理区域时，去污点效果与细节保留难以兼顾。基于稀疏表示的方法假设图像可由少量基元素线性组合表示，通过学习字典来实现图像修复，但这类方法对字典的依赖性强，且在处理大面积、不规则污点时，修复结果往往出现伪影。基于GAN的方法通过生成器与判别器的对抗训练，能够生成视觉效果较好的图像，但存在训练不稳定、模式崩溃等问题，且在处理真实复杂场景下的污点时，修复结果的真实性与一致性难以保障。

近年来，扩散模型（DiffusionModel）在图像生成领域取得了突破性进展，其通过模拟马尔可夫链的正向扩散与逆向扩散过程，能够生成高质量、多样性的图像。扩散模型的核心优势在于其理论基础坚实，训练过程稳定，且能够利用大量无标签数据进行预训练，具备强大的图像