Implicit Diffusion Models for Continuous Super-Resolution
现存问题
- 目前的超分(SR)方法通常存在过度平滑和伪影;
- 大多数的SR方法大多数只能使用固定的放大倍数;
- 基于GAN的模型可能会出现模式崩溃,并难以捕获复杂的数据分布,从而产生非自然的纹理;
- 近年来,扩散概率模型(DM)已被用于图像合成,以提高SR图像的保真度,性能很好,但是,基于DM的方法仍然仅限于固定的放大倍数,一旦放大倍数发生变化,将导致输出损坏;
解决问题
- 本文开发了一个连续图像超分辨率的隐式扩散模型(IDM),以端到端的方式重建逼真的图像。采用迭代隐式去噪扩散来学习分解连续表示,以提高SR图像的高保真细节;
- 本文设计了一种尺度自适应调节机制来动态调整来自LR特征的真实信息和扩散过程中生成的细节的比例。当需要大小变化的SR输出时,这是通过自适应MLP来实现的;
- 本文对自然图像和面部图像SR任务的关键基准进行了广泛的实验,与以前的工作相比,IDM展示了最先进的定性和定量结果,并产生了高保真的解析连续输出;
具体方法
- 在扩散去噪模型的解码部分引入了隐式图像函数
- 设计了一种尺度自适应调节机制,以低分辨率图像为条件,动态调整LR信息与生成细节之间的比例