关键词：图像恢复；扩散模型；数据一致性

中图分类号：TP391 文献标志码：A 文章编号：1001-3695（2025）08-039-2538-07

doi：10.19734/j.issn.1001-3695.2024.10.0440

Image restoration model based on dual diffusion model

LiPeng ⋅^1，2 ，Hui Jian ， Zhu Peipei1，2（1.SouthestCaIiutefElctoichlgegduin;tioaKyboorfleAtioSemulaiton，Chengdu ，China）

Abstract：Duetotheabilityofdiffusionmodels toefectivelymodelthedatadistributions，imagerestorationmethodsbasedon difusionmodelshavedemonstrated excellentperformanceand gain widespreadatention.Addressingtheissueofrandomnoise perturbationanddataconsistencythispaperintroducedanovelimagerestorationmodel，rdM，tointegrateresidualdifusiontoachieveadual difusioneffect.Thenoisedifusionefectivelylearnedtheglobal distrbutionof theimage，preserving high-frequencydetails.Whiletheresidualdifusiondirected theprocess fromthetargetimage totheinput，improvingstructuralrecovery.Additionally，thispaperproposeddecouplethereverseprocessfromdataconsistencystepsanddynamicallyadjusteddifusionstrength，enhancingcomputational eficiencyandrestorationresults.ExperimentsshowthatrdIRMacheves superior performance across various image restoration tasks.

Key words： image restoration；diffusion model;data consistency

0 引言

图像恢复技术是计算机视觉领域中的一个核心研究方向，其目的是从退化、受损或有噪声的图像中恢复出清晰的、高质量的图像。这项技术在医学成像、卫星遥感、视频监控等众多实际应用场景中具有广泛的应用价值。在过去的几十年中，图像恢复领域的发展主要依赖于经典的优化方法，如基于正则化的图像重建方法[1]和变分模型[2]。这些传统方法虽然在低噪声环境下能够有效恢复图像的主要结构，但在处理高噪声、模糊等复杂场景时往往表现不足。

传统的图像恢复方法主要依赖于基于优化的技术，这些方法通过构建对图像先验的假设，利用正则化项来约束恢复过程。例如，总变分（totalvariation）方法3和稀疏表示（sparserepresentation）方法[4通过对图像的平滑性或稀疏性进行建模，能够在一定程度上恢复图像的主要结构。然而，这类方法通常需要复杂的迭代计算，且对于高频细节和复杂纹理信息的恢复表现较差。此外，这些方法对先验知识的依赖较强，导致它们在面对不同类型的退化图像时适应性有限。

随着深度学习的发展，基于卷积神经网络（CNN）的图像恢复方法[5]逐渐成为研究的主流。深度学习方法通过大规模数据的端到端学习，自动提取多尺度图像特征，不再依赖于人为设计的先验假设。这类方法包括去噪自动编码器（denoisingautoencoders）[残差网络（ResNet）[7]以及生成对抗网络（GAN）°，它们在去噪、超分辨率和去模糊等任务中展现了强大的效果。……