通过采用扩散模型来改善图像结构以及利用生成对抗训练来增强图像细节，我们提出了一种名为内容一致超分辨率（CCSR）的方法，大大减少了基于扩散先验的超分辨率的随机性，提高了超分辨率输出的内容一致性并加速了图像生成过程。

Dec, 2023

通过级联扩散控制模型和多重注意机制，本研究提出了一种图像超分辨率方法，其目标是从降质版本中生成高质量、清晰的图像。研究结果表明该方法在提高图像还原的准确性和真实性方面非常有效和优越。

Mar, 2024

通过使用扩展的预训练文本图像模型进行扩散先验处理，本研究提出了基于频率补偿模块和样本空间多专家混合（SS-MoE）的潜在空间方法，以提高图像超分辨率的性能。

Oct, 2023

我们提出了一种基于扩散模型的文本图像超分辨率恢复方法（DiffTSR），该方法可以同时恢复具有更准确文本结构和更逼真外观的文本图像。

Dec, 2023

我们提出了一种高效的基于扩散的文本到视频超分辨率调试方法，利用像素级图像扩散模型的易学性能够捕捉视频生成的空间信息，为了实现这一目标，我们设计了一个高效的体系结构，将文本到图像超分辨率模型的权重膨胀到我们的视频生成框架中，此外，我们还结合了一个时间适配器以确保视频帧之间的时间一致性，我们研究了基于我们膨胀的体系结构的不同调试方法，并报告了计算成本和超分辨率质量之间的权衡，对 Shutterstock 视频数据集进行的实证评估，无论是定量还是定性评估，都表明我们的方法能够以良好的视觉质量和时间一致性执行文本到视频超分辨率生成，为评估时间一致性，我们还在视频格式中提供了可视化结果。

Jan, 2024

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

通过引入文本提示到图像超分辨率中，使用预训练语言模型和扩散模型，实现了优秀的合成和真实图像上的结果。

Nov, 2023

通过训练一个 degradation-aware 提取器，我们提出了一种针对生成式真实世界图像超分辨率的语义感知方法，以更好地保留语义保真度，同时将低分辨率图像整合到初始采样噪声中以减少过多的随机细节生成，实验结果表明我们的方法可以重现更现实的图像细节并更好地保持语义。

Nov, 2023

提出了一种名为 SinSR 的简单而有效的方法，通过仅需要一步推断即可生成超分辨率图像，同时利用新的一致性保持损失，以实现比之前最先进方法和教师模型更优的性能和高达 10 倍的推断加速。

Nov, 2023

利用土地覆盖变化的先验信息来指导去噪过程的变化感知扩散模型用于参考图像超分辨率重建，通过将先验信息注入去噪模型，提高未改变区域参考信息的利用和已改变区域语义相关内容的重建，以此来改善模型性能。

Mar, 2024