基于强化学习的扩散模型用于图像去噪

Research Paper#Image Denoising, Reinforcement Learning, Diffusion Models🔬 Research|分析: 2026年1月3日 17:04•
发布: 2025年12月30日 07:23
•
1分で読める
•ArXiv

分析

本文介绍了一种新的图像去噪方法，将各向异性扩散与强化学习相结合。它通过使用深度Q学习学习一系列扩散动作来解决传统扩散方法的局限性。核心贡献在于学习到的扩散过程的自适应性，使其能够更好地处理复杂的图像结构，并优于现有的基于扩散的方法，甚至一些基于CNN的方法。使用强化学习来优化扩散过程是一项关键创新。
引用 / 来源
查看原文
"The diffusion actions selected by deep Q-learning at different iterations indeed composite a stochastic anisotropic diffusion process with strong adaptivity to different image structures, which enjoys improvement over the traditional ones."
A
ArXiv2025年12月30日 07:23
* 根据版权法第32条进行合法引用。
较旧

Procreate's anti-AI pledge attracts praise from digital creatives

较新

Princeton ‘AI Snake Oil’ authors say GenAI hype has ‘spiraled out of control’

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv