CasSR: 激活图像力量的真实世界图像超分辨率
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
通过训练一个 degradation-aware 提取器,我们提出了一种针对生成式真实世界图像超分辨率的语义感知方法,以更好地保留语义保真度,同时将低分辨率图像整合到初始采样噪声中以减少过多的随机细节生成,实验结果表明我们的方法可以重现更现实的图像细节并更好地保持语义。
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
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
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
我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架,通过使用无监督对比学习获取图像降级的表示,并将降级意识模块集成到简化的 ControlNet 中,在各种降级情况下灵活地适应不同的降级,有效恢复更加精确和逼真的细节,表现出在各种基准测试中的最先进性能。
Mar, 2024
本文提出了一种基于语义图像细节增强的图像超分辨率方法,其中利用文本和图像模态的多模态融合学习来提高图像的语义准确性和视觉质量。该方法通过粗到细的过程生成文本描述匹配的高分辨率图像细节,实验证明该方法具有显著的效果。
Jul, 2022
在场景文本图像超分辨率的研究中,通过引入一种生成模型 RGDiffSR 和一种去噪网络 RGDN,本文通过语义引导实现了场景文本图像的高保真度图像增强,从而在文本识别准确度和图像保真度方面都取得了优于现有方法的结果。
Nov, 2023
本文提出了一种基于 Laplacian 金字塔的核预测网络(LP-KPN)来恢复高分辨率图像,通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集,证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果,且模型能够适应不同的相机设备。
Apr, 2019
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