詳細解釋
去噪（Denoising）是從含噪信號中恢復原始乾淨信號的過程，是擴散模型和信號處理的核心任務。
去噪方法：
- 傳統濾波：高斯、中值、雙邊濾波
- 統計方法：小波變換、稀疏表示
- 深度學習：DnCNN、U-Net去噪
- 擴散模型：逐步去噪生成
擴散模型中的去噪：
- 輸入：帶噪樣本（某時間步）
- 目標：預測噪聲或原始樣本
- 網絡：通常用U-Net架構
- 訓練：噪聲→乾淨的映射
去噪分數匹配：
- 學習分數函數（數據密度梯度）
- 去噪對應沿分數方向移動
- 理論基礎連接擴散和能量模型
應用：
- 圖像恢復：老照片修復
- 醫學影像：CT/MRI去噪
- 語音增強：去除背景噪聲
- 生成模型：擴散模型 (擴散生成模型)核心
評估：
- PSNR：峰值信噪比
- SSIM：結構相似性
- LPIPS：感知相似度
- 人眼主觀評價
是擴散模型 (擴散生成模型)理論和實踐的基礎。