通过隐式扩散实现图像超分辨率:一种基于采样空间混合模型的专家和频率增强解码器方法
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
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
本文提出了一种简单的方法来进行高效图像超分辨率,该方法采用了扩散模型的基本结构,通过建立领域之间的转移关系,学习统计特性的差异以促进逐步插值,并通过参考输入的 LR 图像对转移领域进行条件控制,实验结果表明,该方法不仅优于最先进的大规模超分辨率模型,也优于当前的扩散模型,此方法可以方便地扩展到其他图像到图像的任务,如图像增强、修复、去噪等。
Nov, 2023
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
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
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
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
通过扩散模型,我们提出了一种名为 SatDiffMoE 的新型融合算法,它可以将任意数量的时序低分辨率卫星图像作为输入,通过融合不同时间点的补充信息,合成具有更多细节的高分辨率重建图像。实验结果表明,与先前的方法相比,我们提出的 SatDiffMoE 方法不仅在各种数据集上实现了卓越的卫星图像超分辨率任务性能,而且具有改进的计算效率和减少的模型参数。
Jun, 2024
提出了一种新颖的基于频域引导的多尺度扩散模型(FDDiff),该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤,使用小波包频域链提供多尺度的中间目标,以逐步补充缺失的高频细节,并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分,通过对流模型在图像超分辨率任务中生成高质量图像,并在广泛的评估中展示了其优于先前的生成方法的结果。
May, 2024