本文提出了一种名为 Diff-SR 的基于预训练 DGMs 的任意尺度超分辨率模型，该模型通过向低分辨率图像注入适量的噪声并计算感知可恢复场（PRF）指标来实现最佳效果，并在实验中证明了它在不同的 ASSR 环境下的卓越性能。
Jun, 2023
通过利用预训练的生成模型作为先验，结合结构和语义线索，以及提取感知一致的传感器特性并模拟其分布，从而提高遥感影像的超分辨率。实验证明了该方法的卓越性能和广泛适用性。
May, 2024
利用预训练的隐式扩散模型，结合时序动态和创新的序列导向损失来提高视频超分辨率，实现更好的感知质量。
Dec, 2023
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
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
通过引入卷积核内核差分操作和可学习的方向梯度卷积，以及使用自适应的信息交互块，提出了一种适用于真实超分辨率的 DGPNet 方法，通过简单堆叠来平衡纹理增强和对比度，并通过与其他方法的比较结果证明了该方法的有效性和高效性。
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
GAN-based 图像超分辨率中对鉴别器进行校准的简单而非迁移式数据增强方案 DifAugGAN 能够提高鉴别器校准，从而改善超分辨率性能。在合成和真实数据集上进行的广泛实验评估表明，DifAugGAN 相对于现有的基于 GAN 的图像超分辨率方法具有显著的优越性，展示了定性和定量结果的重要进展。
本文介绍了一种新颖的逼真分离数据生成器（RealDGen），该生成器是为了解决现有图像超分辨率技术在复杂实际环境中泛化效果不佳的挑战所设计的。通过精心设计内容和降解提取策略，并将其整合到一种新颖的内容降解分离扩散模型中，从不成对的实际低分辨率和高分辨率图像中创建逼真的低分辨率图像。大量实验证明了 RealDGen 在生成大规模、高质量的配对数据方面的出色表现，模拟了真实世界的降解情况，并显著提升了各种真实世界基准测试中流行的超分辨率模型的性能。
Jun, 2024