隐式扩散模型用于连续超分辨率
提出了一个新的方法来实现输入图像的超分辨率或从随机噪声生成任意比例的新图像,该方法通过预训练的自动编码器、隐式扩散模型和隐式神经解码器及其学习策略组成。该方法在潜空间中采用扩散过程,与 MLP 在任意比例上的解码器空间相一致,并通过固定解码器反向传播输出图像的错误,提高了输出图像的质量。在广泛的实验中,该方法在图像质量、多样性和尺度一致性等指标方面均优于相关方法,在推理速度和内存使用方面显著优于相关的最新技术。
Mar, 2024
本研究提出了一种名为 ACDMSR(accelerated conditional diffusion model for image super-resolution)的新型扩散模型,通过预先训练的 SR 模型提供给定 LR 图像的条件图像来实现优秀的超分辨率结果,从而在可实践的场景中生成更具视觉逼真感的低分辨率图像。
Jul, 2023
本文提出了一种新颖的高效端到端扩散压缩感知方法,使用可逆扩散模型(IDM)从压缩测量恢复原始图像,克服了传统学习范式的限制,超过现有先进的压缩感知网络 2.64dB 的 PSNR 增益并实现 14.54 倍的推理加速。
Mar, 2024
本综述论文对应用于图像超分辨率的扩散模型(DMs)进行了概述,并进行了详细分析,强调了该领域的独特特征和方法论。它展示了 DM 基础知识的统一视角,并探索了包括替代输入域、条件策略、指导、失真空间和零样本方法等研究方向。此综述论文洞察了 DMs 在图像超分辨率中的演变,讨论了当前的趋势、挑战和未来方向。
Jan, 2024
提出了一种名为 DiffMSR 的高效扩散模型,用于多对比度磁共振成像的超分辨率重建,通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识,并设计了 PLWformer 作为解码器,使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明,DiffMSR 优于现有方法。
Apr, 2024
本文提出一种基于扩散概率模型的单幅图像超分辨率方法,通过优化数据可能性的变分下界进行模型训练,并通过引入残差预测以加速收敛。该方法在 CelebA 和 DIV2K 数据集上进行了实验验证,实验结果表明,该方法在性能上领先以往的方法,并具有生成丰富细节的不同超分辨率结果、小型化、灵活的图像操作等优点。
Apr, 2021
利用潜在扩散模型 (latent diffusion model) 配合深度学习方法,提高临床 MRI 扫描的分辨率,为 MRI 重建提供有力的先验信息。
Aug, 2023
为解决扩散图像超分辨率方法的低推理速度和性能下降问题,我们提出了一种新颖和高效的扩散模型,通过减少扩散步骤的数量,消除了推理过程中的加速要求以及性能恶化,并通过在高分辨率图像和低分辨率图像之间转移残差来显著提高转换效率。实验显示,该方法在合成和真实数据集上均能获得优秀或至少相当于当前最先进方法的性能,即使只使用 15 个采样步骤。
Jul, 2023
本文介绍了一种新的方法,利用预先训练的文本到图像扩散模型中所包含的先前知识来实现盲超分辨率,并通过引入可控特征包装模块和渐进聚合采样策略来克服扩散模型固定尺寸的限制,实现对任何大小分辨率的适应,并在综合评估中展示了该方法在超分辨率领域的优越性。
May, 2023