本文提出了一种逐帧融合的、高效灵活的循环网络,以底帧为关键提示,并引入隐式加权损失,用于促进从具有可变数量的输入帧中获取知识,以实现从序列低分辨率和噪声图像重建高分辨率图像的目标。我们在合成和真实数据集上进行了广泛实验,结果表明,我们的方法优于当前最先进的方法。
Jun, 2023
通过引入 LFSRDiff,首个基于扩散的光场图像超分模型,将 LF 解缠机制与扩散模型相结合,实现了在 LF 图像中更有效地提取和融合空间和角度信息,产生了多样且逼真的超分辨结果,尤其在感知度量方面表现出较高的水平。
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
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
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。
本文提出了一种基于多帧图像超分辨率技术的新型神经网络结构,以像素级光流明确对齐输入帧的深嵌入,使用基于注意力的融合模块自适应地合并来自所有帧的信息,以产生高质量重建的 RGB 图像;同时介绍了 BurstSR 数据集,在真实世界数据上进行了全面实验分析,证明了该模型的有效性。
Jan, 2021
通过使用扩散模型(DMs)生成一系列可能的超分辨率图像,结合人类反馈来确定最可信的解决方案,以解决超分辨率问题中的可靠性和模糊性。实验结果表明,这种策略相较于现有的超分辨率方法提供了更可靠的解决方案。
Feb, 2024
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