基于去噪扩散概率模型的人脸图像修复模型

摘要

针对使用主流人脸图像修复模型在修复图像后，出现图像质量欠佳、修复边缘模糊，且模型复杂、训练困难的问题，提出了一种基于去噪扩散概率模型的人脸图像修复模型.通过使用Guided-diffusion中的U-Net网络结构，并在网络中引入快速傅里叶卷积来改进去噪扩散概率模型，最后在CelebA-HQ高清人脸图像数据集上进行模型的训练与结果评估.实验结果表明，改进后的去噪扩散概率模型在修复随机掩码的人脸图像时，修复结果与原图的PSNR（峰值信噪比）可以达到25.01,SSIM（结构相似性）可以达到0.886，优于改进前的去噪扩散概率模型与现有的基于生成对抗网络的人脸图像修复模型.

关键词

深度学习 / 人脸图像修复 / 去噪扩散概率模型 / 快速傅里叶卷积 / U-Net网络