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

通过有效控制扩散模型回流过程中的随机性来提高预训练图像超分辨率模型的采样质量，在边界条件的选择上，我们通过对整个空间的高效探索来获取近似最优边界条件，并且通过我们的方法进行的采样结果质量要优于现有方法的随机结果。

May, 2023

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

通过使用扩展的预训练文本图像模型进行扩散先验处理，本研究提出了基于频率补偿模块和样本空间多专家混合（SS-MoE）的潜在空间方法，以提高图像超分辨率的性能。

Oct, 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

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

本研究解决了现有扩散基础图像超分辨率方法在效率和降解模型应用上的不足。提出的单步超分辨率模型通过设计降解引导的低秩适应模块，显著提高了效率并利用低分辨率图像的降解信息，从而改善了结果的感知质量。实验结果表明，该模型在效率和效能上优于最新的先进方法。

Sep, 2024

本研究解决了当前基于扩散的图像超分辨率模型在效率与性能之间难以平衡的问题。我们提出了一种新的领域转移扩散模型DoSSR，通过低分辨率图像启动扩散过程，显著提高了推理效率和生成能力。实验结果表明，该方法在多个数据集上达到了最先进的性能，且推理速度比以往方法快5-7倍。

Sep, 2024

本研究针对当前图像超分辨率方法中对扩散变换器探索不足的问题，提出了一种有效的扩散变换器架构（DiT-SR），通过从零开始训练实现视觉质量与已有方法相当。实验结果表明，DiT-SR 在多个测试中显著优于现有的训练从零开始的扩散超分辨率方法，并在某些情况下超过了预训练的基础方法，显示出扩散变换器在图像超分辨率中的优势。

Sep, 2024