---
created: 2025-08-03 21:19:11
tags:
  - "Research"
  - "复现"
  - "MDMS"
  - "MSS"
  - "切块"
---

### MSS中的切块实现

在MSS中，图像被分割成多个不同大小的补丁（如64x64, 96x96, 128x128），并在每个采样步骤中对这些补丁进行去噪处理。以下是具体过程：

1. **初始化**：
   
   - 在每次迭代开始时，首先生成一个随机噪声分布`X_t`，这个噪声分布将逐步通过扩散模型进行去噪处理。

2. **多尺度采样**：
   
   - 对于每种预定义的补丁大小（如64x64, 96x96, 128x128），算法会遍历所有可能的补丁位置`d`。
   - `Md` 是一个二进制掩码矩阵，用于标记当前补丁的位置。它决定了从原始图像或噪声分布中提取哪些部分作为当前补丁。

3. **切块操作**：
   
   - 使用`Cropps(Md ◦ Xt)`从噪声分布`Xt`中裁剪出当前补丁`xtd`，其中`◦`表示逐元素乘法（即应用掩码`Md`来选择特定区域）。
   - 同样的方法也应用于低光输入图像`y`和先验图像`yp`，分别得到`yd`和`ypd`。

### 参数解释

- **`M_d`**:
  
  - **含义**：`M_d`是一个二进制掩码矩阵，用于指定当前处理的补丁在原始图像中的位置。它决定了从`Xt`, `y`, 和 `yp`中裁剪出哪些像素。
  - **作用**：通过与原始数据进行逐元素乘法（`Md ◦ Xt`），可以准确地提取出对应位置的补丁。这对于实现局部区域的独立处理至关重要。

- **`W`**:
  
  - **含义**：`W`是一个累积权重矩阵，用来记录每个位置上的补丁被处理了多少次。
  - **作用**：在计算加权平均值时使用。由于同一位置可能会被多个重叠的补丁覆盖，因此需要累加权重以确保最终结果是合理的加权平均值。例如，在第10行`W = W + Md`中，每当一个补丁被处理时，其对应的掩码`Md`就被加到`W`上。

### 算法步骤详解

```
for ps in [64x64, 96x96, 128x128]:
  for d in range(1, D+1):
    xtd = Cropps(Md ◦ Xt)
    yd = Cropps(Md ◦ y)
    ypd = Cropps(Md ◦ yp)
    Φps += Md * εθ(xtd, yd, ypd, t)
    W += Md
  Φps = Φps / W  # Element-wise division
  Φt += Φps
Φt /= 3  # Average over all scales
```

- **`Φps`**: 对应每个补丁大小的特征累积值。
- **`εθ`**: 预测噪声的神经网络函数，基于当前补丁`xtd`, `yd`, `ypd`及时间步`t`预测噪声。
- **`Φps = Φps / W`**: 对每个补丁位置的特征进行元素级别的除法运算，得到加权平均值。
- **`Φt += Φps`**: 将不同尺度的特征累加并取平均值，最终更新`Φt`。