Jun, 2023

从预训练扩散生成模型中分析任意比例的超分辨率能力

PDF
TL;DR本文提出了一种名为 Diff-SR 的基于预训练 DGMs 的任意尺度超分辨率模型，该模型通过向低分辨率图像注入适量的噪声并计算感知可恢复场（PRF）指标来实现最佳效果，并在实验中证明了它在不同的 ASSR 环境下的卓越性能。
diffusion-based generative modelsimage super-resolutionpre-trained dgmsarbitrary-scale super-resolutionperceptual recoverable field
发现论文，激发创造
  • 利用扩散先验进行实际图像超分辨率

    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

  • 提高内容一致超分辨率扩散模型的稳定性

    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

  • 自适应语义增强去噪扩散概率模型在遥感图像超分辨率中的应用

    提出了一种自适应语义增强的 DDPM 模型，通过引入 Transformer 来提高 DDPM 的保留细节能力，解决了噪声生成过程中的高频细节重建问题，并通过残差特征融合策略在多个层次上实现了两个解码器之间的信息交换，进而在超分辨率和下游应用中取得了出色的性能。

    Mar, 2024

  • DifAugGAN：用于基于 GAN 的单图像超分辨率的实用扩散式数据增强

    GAN-based 图像超分辨率中对鉴别器进行校准的简单而非迁移式数据增强方案 DifAugGAN 能够提高鉴别器校准，从而改善超分辨率性能。在合成和真实数据集上进行的广泛实验评估表明，DifAugGAN 相对于现有的基于 GAN 的图像超分辨率方法具有显著的优越性，展示了定性和定量结果的重要进展。

    Nov, 2023

  • 基于语义指导的大规模因子化遥感图像超分辨率生成扩散先验

    通过利用预训练的生成模型作为先验，结合结构和语义线索，以及提取感知一致的传感器特性并模拟其分布，从而提高遥感影像的超分辨率。实验证明了该方法的卓越性能和广泛适用性。

    May, 2024

  • 加速的条件扩散模型用于单图超分辨率

    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

  • 面向现实世界的超分辨率真实数据生成

    本文介绍了一种新颖的逼真分离数据生成器（RealDGen），该生成器是为了解决现有图像超分辨率技术在复杂实际环境中泛化效果不佳的挑战所设计的。通过精心设计内容和降解提取策略，并将其整合到一种新颖的内容降解分离扩散模型中，从不成对的实际低分辨率和高分辨率图像中创建逼真的低分辨率图像。大量实验证明了 RealDGen 在生成大规模、高质量的配对数据方面的出色表现，模拟了真实世界的降解情况，并显著提升了各种真实世界基准测试中流行的超分辨率模型的性能。

    Jun, 2024

  • SRDiff：扩散概率模型单图超分辨率

    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

  • 高斯 SR: 二维扩散先验下的三维高斯超分辨率

    通过使用 3D 高斯喷洒、得分蒸馏抽样等技术实现基于低分辨率输入视图的高分辨率新视图合成。

    Jun, 2024

  • 自适应实感引导扩散用于无伪影超分辨率

    自适应引导扩散（SARGD）是一种无需训练的超分辨率方法，通过深入潜空间有效识别和减少伪影的传播，实现了无伪影的超分辨率过程。

    Mar, 2024