论文题目：Residual Denoising Diffusion Models（残差去噪扩散模型）

会议：CVPR2024

摘要：残差去噪扩散模型(RDDM)是一种新的双重扩散过程，它将传统的单一去噪扩散过程解耦为残差扩散和噪声扩散。这种双重扩散框架通过引入残差，将基于去噪的扩散模型扩展为一种统一的、可解释的图像生成和恢复模型。具体来说，残差扩散表示从目标图像到退化的输入图像的定向扩散，明确指导图像恢复的反向生成过程，而噪声扩散表示扩散过程中的随机扰动。残差优先考虑确定性，噪声强调多样性，使得RDDM能够有效地统一具有不同确定性或多样性要求的任务，如图像生成和恢复。我们通过系数变换证明了我们的采样过程与DDPM和DDIM的一致，并提出了一个部分路径无关的生成过程，以便更好地理解反向过程。值得注意的是，我们的RDDM使只有L1损失和批大小为1的通用UNet能够与最先进的图像恢复方法竞争。我们提供代码和预训练模型，以鼓励进一步探索、应用和开发我们的创新框架(https://github.com/nachifur/RDDM)。

---