[無限制規模的傳播恢復](https://www.zhuanzhi.ai/paper/8966cce49d9bed669d5918c3dc0759ca)
[DDNM](https://zhuanlan.zhihu.com/p/588663035)
[實作](https://colab.research.google.com/drive/1NGVG_0jdHSp7-T0uQviaieblBcKZ1GN-)
# 結果
[成果展示](https://wyhuai.github.io/ddnm.io/)
DDNM能實現各類圖像修復任務，包括但不限於SR，Colorization(著色)，Inpainting(圖像修復)，Deblurring(去模糊)，CS，Denoising(去噪)等等。
DDNM可以解決任意倍率，比如2~256倍SR，採樣率100%~0.1%的CS，任意mask的Inpainting。
DDNM可以解決含噪修復，甚至非常強的噪聲。
DDNM可以解決盲修復，比如真實世界超分，以及老照片修復等等。
以上內容皆無需訓練，無需優化，只需要一個預訓練好的普通擴散模型即可。
[reprint](https://blog.csdn.net/amusi1994/article/details/122711287)
# 限制
計算和時間消耗比當前的有監督方法要多得多。
性能上限取決於預先訓練的 diffusion 模型。
需要明確地需要 degradation 操作。
# 觀察結果
MSR 可以被看作是一種通用的圖像連接方法。
MSR 可以用於將不同的模型的輸出融合在一起。
# 專有單字
偕同樣本
峰值訊號與雜訊比（Peak Signal-to-Noise Ratio）
HCD方法
零光图像恢复的传播模型(IR)
圖像下採樣
Mask-Shift Restoration 解決局部不一致性
Hierarchical Restoration 緩解域外問題
[擴散模型](https://medium.com/ai-blog-tw/%E9%82%8A%E5%AF%A6%E4%BD%9C%E9%82%8A%E5%AD%B8%E7%BF%92diffusion-model-%E5%BE%9Eddpm%E7%9A%84%E7%B0%A1%E5%8C%96%E6%A6%82%E5%BF%B5%E7%90%86%E8%A7%A3-4c565a1c09c)
Markov Chain
OD: Outlier Detection, “离群检测”
AD: Anomaly Detection, “异常检测”
ND: Novelty Detection, “新类检测”
OSR: Open Set Recognition, “开集识别”
OOD Detection: Out-of-Distribution Detection, “分布外检测”
網絡結構

y=ax噪线性逆问题
x=原圖
a=线性退化算子
y=退化圖
n=noise
xbar=潜在原图
y=ax+n