以色列理工学院的研究人员推出图像恢复算法PMRF（Posterior-Mean Rectified Flow，后验均值校正流），这个算法的目标是改善从损坏的图像中恢复出高质量、逼真图像的方法。具体来说，PMRF 首先预测后验均值，然后使用校正流模型将结果传输到高质量图像，该模型近似于所需的最优传输映射。总的来说，PMRF算法通过先进的数学模型和计算方法，提高了图像恢复技术的性能，使得我们可以从损坏或者质量低下的图像中恢复出更加逼真、高质量的图像。
- 项目主页：https://pmrf-ml.github.io
- GitHub：https://github.com/ohayonguy/PMRF
- ComfyUI插件：https://github.com/2kpr/ComfyUI-PMRF
例如，你有一张珍贵的照片，但是因为时间久远或者保存不当，照片变得模糊、有噪点或者损坏了。PMRF算法就像一个高级的图像修复工，它能够帮你把这张损坏的照片恢复到接近原始状态，让模糊的脸变清晰，消除噪点，甚至能够把黑白照片上色。
主要功能：
- 图像恢复： 从损坏的图像中恢复出高质量的图像。
- 保证感知质量： 在恢复图像的同时，确保修复后的图像在视觉上看起来自然，接近人眼看到的真实世界。
主要特点：
- 最小化失真： 在不牺牲感知质量的前提下，尽可能减少图像恢复过程中的失真。
- 优化后验分布： 利用统计学中的后验分布理论来优化图像恢复过程。
- 高效算法： 通过近似最优估计器，PMRF算法能够有效地处理图像数据。
工作原理：
- 预测后验均值： 首先，算法会预测出图像损坏之前的“平均”状态，也就是在所有可能的图像中，最有可能的原始状态。
- 矫正流动模型： 然后，算法通过一个矫正流动模型来调整预测的图像，使其更接近真实的高质量图像。
- 优化传输映射： 通过优化传输映射的方式，算法把预测的图像映射到更高质量的图像上。
Demo
注意事项：
- PMRF的原始模型设计用于恢复低质量的人脸图像，图像为正方形，且图像中只有一张居中对齐的人脸。但在本演示中，研究人员加入了恢复包含任意数量人脸的图像质量的机制。所以，此类一般图像的最终质量无法保证。
- 若您的图像不是对齐且正方形的人脸图像，请确保未勾选“输入是对齐且正方形的人脸图像”复选框。
- 图像过大可能会导致内存不足错误。
评论0