CVPRMar, 2024

跨越空间和时间分辨率的桥梁建设：基于变化先验和条件扩散模型的参考图像超分辨率

PDF
TL;DR利用土地覆盖变化的先验信息来指导去噪过程的变化感知扩散模型用于参考图像超分辨率重建，通过将先验信息注入去噪模型，提高未改变区域参考信息的利用和已改变区域语义相关内容的重建，以此来改善模型性能。
发现论文，激发创造
  • 利用扩散先验进行实际图像超分辨率

    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

  • 提高内容一致超分辨率扩散模型的稳定性

    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

  • 基于参考图像的图像超分辨率的细节增强框架

    通过引入扩散模型来生成和增强低分辨率图像中的细节，本文提出了一种用于基于参考的超分辨率的细节增强框架（DEF），能够促进对齐，同时避免参考图像的影响，实验结果表明该方法在视觉效果上具有优势同时保持可比较的数值结果。

    May, 2024

  • 神经纹理迁移图像超分辨率

    本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型，借鉴图像风格化的思想，通过在神经空间进行多级匹配，实现了从参考图像中自适应地转移纹理，有效地提高了超分辨率的性能，并建立了参考图像超分辨率通用研究的基准数据集。

    Mar, 2019

  • 跨领域对齐：一种用于遥感图像基于参考的超分辨率的简单领域匹配方法

    利用领域匹配（DM）模块改进了参考图像超分辨率（RefSR）模型，在遥感图像超分辨率任务中取得了定性和定量上的性能提升。

    Jan, 2024

  • ResShift: 图像超分辨率的高效扩散模型通过残差移动

    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

  • EDiffSR: 一种高效的远程感知图像超分辨率扩展的扩散概率模型

    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

  • 加强天气预测：基于深度扩散模型的超分辨率

    本研究探讨了深度学习扩散模型在天气数据超分辨率方面的应用，该新方法旨在增强气象变量的空间分辨率和细节。通过利用扩散模型（特别是 SR3 和 ResDiff 架构），我们提出了一种将低分辨率天气数据转化为高分辨率输出的方法论。我们的实验使用 WeatherBench 数据集，重点研究了两米温度变量的超分辨率，展示了模型生成详细准确的天气图的能力。结果表明，通过加入基于物理的修改，ResDiff 模型在均方误差（MSE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）等方面显著优于传统的 SR3 方法。该研究突显了扩散模型在气象应用中的潜力，为未来天气预测和气候分析的进一步发展提供了见解、挑战和前景。

    Jun, 2024

  • SinSR: 单步扩散图像超分辨率

    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

  • CasSR: 激活图像力量的真实世界图像超分辨率

    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