基于扩散模型的图像去几何失真结题报告.docVIP

基于扩散模型的图像去几何失真结题报告

一、研究背景与问题提出

在数字图像采集与传输过程中，几何失真已成为影响图像质量的关键问题之一。几何失真指图像中的像素位置发生错误偏移，导致物体形状、比例或空间关系出现扭曲，常见类型包括透视畸变、桶形畸变、枕形畸变、仿射变换失真等。这类失真广泛存在于各类场景：使用广角镜头拍摄的建筑照片常出现边缘拉伸变形，无人机倾斜摄影生成的影像存在严重透视偏差，老旧扫描设备输出的文档图像可能因机械故障产生非线性扭曲，甚至在视频监控、医学影像等专业领域，几何失真也会直接影响后续的目标检测、病灶分析等任务的准确性。

传统图像去几何失真方法主要分为基于模型和基于学习两类。基于模型的方法依赖人工设计的几何变换模型，通过特征点匹配求解变换参数，再对图像进行逆变换校正。例如，使用SIFT、SURF等算法提取图像中的角点、边缘等特征，结合RANSAC算法剔除误匹配点，最终计算单应性矩阵完成透视校正。这类方法在特征点丰富的场景中表现稳定，但当图像存在模糊、遮挡或纹理缺失时，特征点匹配精度急剧下降，导致校正效果不佳。基于学习的方法则通过卷积神经网络（CNN）直接学习失真图像到校正后图像的映射关系，例如使用U-Net结构作为基础网络，在大量失真-清晰图像对数据集上进行端到端训练。然而，CNN模型在处理复杂几何变换时，容易出现细节丢失、过度平滑等问题，尤其对于非线性畸变的校正能力有限