论文页面 - 解耦残差去噪扩散模型：用于统一且数据高效的图像到图像转换

来源：https://huggingface.co/papers/2606.01048

摘要

解耦残差去噪扩散模型（DRDD）通过将用于领域协调的噪声扩散与用于语义映射的残差扩散分离，改进了统一的图像到图像转换，提升了数据效率与性能。

我们提出解耦残差去噪扩散模型（https://huggingface.co/papers?q=Diffusion%20models）（DRDD），用于统一且数据高效的图像到图像（I2I）转换。虽然扩散模型（https://huggingface.co/papers?q=diffusion%20models）在图像质量与多样性方面推动了I2I转换的发展，但我们发现了一个此前未被充分探索的扩散模型特性。至关重要的是，除了其传统作用——流形提升（https://huggingface.co/papers?q=manifold%20lifting）（即将数据移出低维流形），注入高斯噪声还有助于领域协调（https://huggingface.co/papers?q=domain%20harmonization），通过隐式对齐跨域特征分布，这一特性对统一I2I转换（https://huggingface.co/papers?q=unified%20I2I%20translation）尤为有利。然而，现有扩散模型（https://huggingface.co/papers?q=diffusion%20models）会过早削弱这种协调效果，因为噪声和残差在一个耦合的扩散过程中被同时移除。为解决此问题，DRDD将扩散过程解耦为两个连续且独立的扩散阶段：（1）随机噪声扩散（https://huggingface.co/papers?q=noise%20diffusion），用于领域协调（https://huggingface.co/papers?q=domain%20harmonization）与流形提升（https://huggingface.co/papers?q=manifold%20lifting）；（2）确定性残差扩散（https://huggingface.co/papers?q=residual%20diffusion），在固定的噪声域内完整学习核心语义映射。这种解耦在整个转换过程中保留了协调与流形提升（https://huggingface.co/papers?q=manifold%20lifting）效果，极大简化了跨不同任务与领域的统一映射学习。值得注意的是，噪声扩散（https://huggingface.co/papers?q=noise%20diffusion）阶段仅使用大量无配对的目标域图像进行训练，显著提升了数据效率（https://huggingface.co/papers?q=data%20efficiency）。全面的理论与实证分析表明，DRDD广泛兼容主流扩散模型（https://huggingface.co/papers?q=diffusion%20models），即使在有限配对数据下也能持续实现鲁棒、统一的I2I转换（https://huggingface.co/papers?q=unified%20I2I%20translation）。我们的代码可在 https://github.com/HKU-HealthAI/DRDD 获取。

查看 arXiv 页面（https://arxiv.org/abs/2606.01048）查看 PDF（https://arxiv.org/pdf/2606.01048）GitHub6（https://github.com/HKU-HealthAI/DRDD）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.01048）

在你的 agent 中获取此论文：

hf papers read 2606.01048

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2606.01048 即可从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.01048 即可从此页面链接。

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2606.01048 即可从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集（https://huggingface.co/new-collection）即可从此页面链接。