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

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

最近，由于其优雅的去噪模式和良好的性能，扩散型深度估计方法引起了广泛关注。然而，在实际场景中存在的恶劣条件（如雨天、雪天等）下，它们通常不可靠。在本文中，我们提出了一种称为 D4RD 的新型稳健深度估计方法，其特点是针对扩散模型定制的对比学习模式，以减轻复杂环境中的性能退化。具体而言，我们将知识蒸馏的优势融入对比学习中，构建了 “三位一体” 对比方案。该方案利用前向扩散过程中采样噪声作为自然参考，引导多样场景中的预测噪声朝向更稳定和精确的最优值。此外，我们将噪声水平的 “三位一体” 扩展到更通用的特征和图像水平，建立了多级对比，分摊鲁棒感知的负担到整个网络。在解决复杂场景之前，我们通过三个简单而有效的改进提高了基线扩散模型的稳定性，有助于收敛并消除深度异常值。大量实验证明，D4RD 在合成污染数据集和实际天气条件下超过了现有的最先进解决方案。D4RD 的代码将提供给进行进一步探索和采用的用户。

Apr, 2024

使用 ImageDream 创新的图像提示多视角扩散模型进行 3D 物体生成，通过提高视觉几何准确性来产生比现有最先进的图像条件方法更高质量的 3D 模型。

Dec, 2023

通过双向代表性匹配的数据集提炼策略（DREAM+），选择代表性的原始图像进行匹配，并且在不影响性能的情况下，显著减少了数据集提炼迭代的次数。

Oct, 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

本论文介绍了一种用于高效遥感图像超分辨率的扩散概率模型（DPM）EDiffSR，并结合了高效的激活网络（EANet）和条件先验增强模块（CPEM），以提高遥感图像的视觉质量和细节恢复能力。

Oct, 2023

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 SAM-DiffSR 模型，通过将细粒度结构信息编码到分割掩膜中，并在正向扩散过程中调制噪声，实现了对图像质量的改善，同时不增加推理过程中的计算成本。在 DIV2K 数据集上的实验结果表明，我们的方法在抑制伪影方面表现出卓越的性能，并且在 PSNR 方面超过现有的基于扩散的方法高达 0.74 dB。

Feb, 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