基于降解引导的单步图像超分辨率与扩散先验
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
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
本研究解决了传统扩散图像超分辨率方法在重建高分辨率图像时的迭代采样延迟问题。我们提出了一种时间感知扩散蒸馏方法（TAD-SR），通过新颖的分数蒸馏策略有效对齐学生和教师模型之间的数据分布，从而提升超分辨率效果。实验表明，该方法在仅需一步采样的情况下，性能与以往最先进的方法相当甚至更佳。
Aug, 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