Sep, 2024

用于图像超分辨率的有效扩散变换器架构

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 隐式扩散模型用于连续超分辨率

    本文提出了一种隐式扩散模型(IDM)，采用神经表示和去噪扩散模型，实现了高保真持续图像超分辨率，其缩放因子在最终输出中调节低分辨率信息和生成的特征的占比，它使模型适应连续分辨率需求，实验验证了IDM的有效性和优越表现。

    Mar, 2023

  • 使用最优边界条件解决扩散常微分方程以实现更好的图像超分辨率

    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

  • 加速的条件扩散模型用于单图超分辨率

    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

  • 通过隐式扩散实现图像超分辨率：一种基于采样空间混合模型的专家和频率增强解码器方法

    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

  • 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

  • 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

  • 加速基于扩散的盲超分辨率图像恢复与对抗性扩散蒸馏

    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

  • 图像超分辨率的高效条件扩散模型与概率流采样

    通过基于扩散概率模型的高效条件扩散模型与概率流采样，本文提出了一种能够减少时间消耗并提高超分辨率质量的图像超分辨率方法。

    Apr, 2024

  • 基于扩散的时间感知蒸馏单步超分辨率

    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

  • 利用领域转移SDE驯化扩散先验进行图像超分辨率

    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