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

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

本文提出了一种新颖的自级联扩散模型，通过利用低分辨率模型的丰富知识快速适应高分辨率图像和视频生成，使用无需调优或廉价上采样器调优范例。该自级联扩散模型整合了一系列多尺度上采样器模块，可以有效地适应更高的分辨率，保持原始组合和生成能力。我们进一步提出了一种基于中心引导的噪声重新调度策略，以加快推理过程并提高局部结构细节。与完全微调相比，我们的方法在训练速度上提高了 5 倍，并且仅需要额外的 0.002M 调优参数。广泛的实验表明，我们的方法可以通过仅仅进行 10k 步的微调，快速适应更高分辨率的图像和视频合成，几乎不需要额外的推理时间。

Feb, 2024

我们提出了一种一步有效扩散网络（即 OSEDiff），用于实际图像超分辨率（Real-ISR）问题，通过利用给定的低质量（LQ）图像作为起始点进行扩散，消除了随机噪声采样引入的不确定性，以实现高质量（HQ）图像的生成。

Jun, 2024

该论文提出了一种轻量级信息多蒸馏网络（IMDN），通过构建包含蒸馏和选择性融合部分的级联信息多蒸馏块（IMDB），并使用自适应裁剪策略（ACS）来处理任何大小的图像，实现任意比例的超分辨率，同时利用中提出的对比度感知通道注意机制来评估候选特征的重要性，并将它们聚合起来。大量实验证明，该方法在视觉质量、内存占用和推理时间方面优于现有技术。

Sep, 2019

扩散模型的实例教学方法和分布教学方法在图像生成模型方面取得了显著的研究成果，提出的分布教学方法在减少训练图像数量的同时取得了最先进的结果，提高了对高效图像生成模型的理解并为各种应用提供了可扩展的框架。

May, 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

Adversarial Diffusion Distillation (ADD) is a new training approach that efficiently samples large-scale image diffusion models in 1-4 steps, outperforming existing few-step methods and reaching state-of-the-art performance in only four steps, enabling real-time image synthesis.

Nov, 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

提出了一种基于单次折叠蒸馏算法的教师 - 学生蒸馏方法，可以在保持高质量合成图像的情况下加速推断并压缩扩散模型，实现语义一致性和有意义的图像插值。

May, 2024