摘要

照片级真实图像恢复算法通常通过失真度量（如PSNR、SSIM）和感知质量度量（如FID、NIQE）进行评估，其目标是在不牺牲感知质量的前提下达到尽可能低的失真。为了实现这一目标，当前的方法通常尝试从后验分布中采样，或者优化失真损失（如MSE）和感知质量损失（如GAN）的加权和。与以往的工作不同，本文特别关注在完美感知指数约束下最小化MSE的最优估计器，即重建图像的分布与真实图像的分布相等。最近的一项理论结果表明，可以通过最优传输后验均值预测（MMSE估计）到真实图像的分布来构建这样的估计器。受此结果启发，我们引入了后验均值修正流（Posterior-Mean Rectified Flow, PMRF），这是一种简单而高效的算法，可以近似该最优估计器。具体而言，PMRF首先预测后验均值，然后利用一个近似所需最优传输映射的修正流模型将结果传输到高质量图像。我们研究了PMRF的理论效用，并证明它在各种图像恢复任务上始终优于先前的方法。