一步有效扩散网络的现实世界图像超分辨率

Jun, 2024

一步有效扩散网络的现实世界图像超分辨率

One-Step Effective Diffusion Network for Real-World Image Super-Resolution

Rongyuan Wu, Lingchen Sun, Zhiyuan Ma, Lei Zhang

TL;DR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。

Abstract

The pre-trained text-to-image diffusion models have been increasingly employed to tackle the real-world image super-resolution (real-isr) problem due to their powerful generative image priors. Most of the existin

pre-trained text-to-image diffusion models real-isr one-step effective diffusion network variational score distillation osediff model

发现论文，激发创造

面向像素感知的稳定扩散技术用于真实图像超分辨率和个性化风格化

提出了一个像素感知的稳定扩散 (PASD) 网络，可实现强大的逼真图像超分辨率和个性化风格化。引入的像素感知交叉注意力模块使扩散模型能够感知像素级的图像局部结构，同时采用降级去除模块提取对降级不敏感的特征，与图像高级信息一起引导扩散过程。通过将基础扩散模型替换为个性化模型，我们的方法可以生成不同风格的图像，无需收集成对的训练数据。实验证明了我们提出方法的有效性。

Aug, 2023

SRDiff：扩散概率模型单图超分辨率

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

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

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

OmniSSR：零样本全向图像超分辨率利用稳定扩散模型

通过使用稳定扩散模型的图像先验，将全向图像超分辨率与保真度和真实感相结合，实现了零样本学习，无需训练或微调。在两个基准数据集上的实验证明了该方法的有效性。

Apr, 2024

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

场景文本图像超分辨率的识别引导扩散模型

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

只需一个步骤：稳定扩散通过尺度蒸馏的快速超分辨率

本文介绍了 YONOS-SR，一种新的稳定的基于扩散的图像超分辨率方法，仅使用一次 DDIM 步骤即可获得最先进的结果。通过提出一种新颖的尺度蒸馏方法来训练我们的 SR 模型，我们将 SR 问题简化为教师模型在较小放大尺度上的训练。在训练过程中，我们使用教师的预测作为目标来训练较高放大尺度的学生模型，并通过迭代重复该过程，直到达到最终模型的目标尺度。我们实验证明，蒸馏模型明显优于直接训练高放大尺度的模型，在推断过程中只需要少量步骤。拥有只需一步的强大扩散模型使我们能够冻结 U-Net，并在其上微调解码器。我们展示了经过空间蒸馏的 U-Net 和经过微调的解码器的组合比需要 200 步的最先进方法仅使用单次步骤更为优越。

Jan, 2024

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

DeeDSR：通过降级感知稳定扩散实现实际场景图像超分辨率

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