Jul, 2023

加速的条件扩散模型用于单图超分辨率

PDF
TL;DR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。
diffusion modelsimage super-resolutionacdmsrdenoisingpre-trained sr model
发现论文，激发创造
  • 隐式扩散模型用于连续超分辨率

    本文提出了一种隐式扩散模型 (IDM)，采用神经表示和去噪扩散模型，实现了高保真持续图像超分辨率，其缩放因子在最终输出中调节低分辨率信息和生成的特征的占比，它使模型适应连续分辨率需求，实验验证了 IDM 的有效性和优越表现。

    Mar, 2023

  • 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

  • 重新思考用于多对比度 MRI 超分辨率的扩散模型

    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

  • 扩散模型、图像超分辨率及其他：一项调查

    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

  • DSR-Diff：具有扩散模型的深度地图超分辨率

    色彩引导的深度图超分辨率技术通过扩展高品质彩色图像来提高低质量深度图像的空间分辨率，利于 3D 重建、虚拟现实和增强现实等多方面应用。本文提出一种新颖的深度图超分辨率范式，利用扩散模型在潜在空间中生成深度图超分辨率的引导。该方法包括引导生成网络，深度图超分辨网络和引导恢复网络，并结合简单而有效的特征融合模块和 Transformer 风格的特征提取模块，使其能够在多模型图像的提取、融合和重建中利用引导先验知识。经过广泛的实验证明，在准确性和效率方面，我们的方法在与现有先进方法对比时展现出卓越的性能。我们的代码将在此 https 的 URL 进行公开共享。

    Nov, 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

  • 双扩散：用于 RSI 中盲超分辨率重建的双条件去噪扩散概率模型

    本文介绍了一种基于双条件去噪扩散概率模型的盲超分辨率重建框架，围绕核估计和重构进度引入了双向扩散，通过构建基于 DDPM 的核预测器和重建器实现了从 LR 图像到 HR 图像的映射，实验结果证明了我们提出的方法在盲超分辨率重建方面的优越性。

    May, 2023

  • 加速基于扩散的盲超分辨率图像恢复与对抗性扩散蒸馏

    AddSR 通过结合蒸馏和 ControlNet 的思想，提出了一种基于预测自优化策略和时间步自适应的损失函数的盲超分辨率方法，可以在更短的时间内生成更好的恢复结果。

    Apr, 2024

  • CasSR: 激活图像力量的真实世界图像超分辨率

    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

  • ResShift: 图像超分辨率的高效扩散模型通过残差移动

    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