基于扩散模型的图像去压缩伪影结题报告.docVIP

基于扩散模型的图像去压缩伪影结题报告

一、研究背景与问题提出

在数字图像传播与存储领域，图像压缩技术是平衡数据量与视觉体验的核心手段。JPEG、WebP等主流压缩标准通过丢弃高频信息、量化变换系数等方式实现数据缩减，但在低码率场景下，不可避免地会产生块效应、振铃效应、色彩偏移等压缩伪影。这些伪影不仅严重降低图像的主观视觉质量，还会对后续的图像识别、目标检测、医学影像分析等任务造成干扰。据统计，在移动互联网环境中，超过60%的图像传输采用低于0.5bpp（每比特像素）的低码率压缩，伪影问题已成为制约图像应用体验的关键瓶颈。

传统的去压缩伪影方法主要分为两类：一类是基于信号处理的方法，如维纳滤波、自适应中值滤波等，这类方法通过对图像的局部统计特性进行建模，试图恢复丢失的高频信息，但往往存在过度平滑边缘、难以处理复杂纹理的问题；另一类是基于深度学习的方法，如CNN（卷积神经网络）、GAN（生成对抗网络）等，这类方法通过大量压缩-干净图像对进行训练，学习伪影的分布规律，但在处理极端低码率压缩图像时，容易出现细节失真、色彩偏差等问题，且泛化能力不足，难以适配不同压缩标准和压缩等级的图像。

扩散模型作为一种新兴的生成式模型，近年来在图像生成、图像修复、超分辨率等领域取得了突破性进展。扩散模型通过模拟正向扩散过程（向干净图像中逐步添加高斯噪声）和逆向扩散过程（从含噪图像中逐步去除噪声），能够学习