【深度学习】超分，100%好评

该方法构建了一个马尔可夫链，通过在高分辨率图像和低分辨率图像之间的残差移动来实现两者之间的转换，大幅提高了转换效率。此外，还开发了一个精细的噪声调度来灵活控制扩散过程中的移动速度和噪声强度。广泛的实验表明，所提出的方法即使仅使用15个采样步骤，也能在合成和真实世界数据集上获得与当前最先进方法相当或更优的性能。作者的代码和模型可在GitHub上获得。

引言

图像超分辨率（SR）是低层次视觉中的一个基本问题，其目标是从给定的低分辨率（LR）图像中恢复出高分辨率（HR）图像。由于现实世界场景中退化模型的复杂性和未知性，这个问题是极其不适定的。最近，扩散模型，作为一种新出现的生成模型，在图像生成方面取得了前所未有的成功。此外，它在解决多个下游低层次视觉任务方面也显示出巨大的潜力，包括图像编辑、图像修复、图像上色等。目前，正在进行的研究探索了扩散模型在解决长期存在且具有挑战性的SR任务方面的潜力。

一种常见的方法涉及将LR图像插入当前扩散模型的输入中（例如DDPM），并从头开始在SR的训练数据上重新训练模型。另一种流行的方法是使用无条件预训练的扩散模型作为先验，并修改其逆向路径以生成预期的HR图像。不幸的是，这两种策略都继承了DDPM背后的马尔可夫链，这在推理过程中可能效率低下，通常需要数百甚至数千个采样步骤。尽管已经开发了一些加速技术来压缩推理中的采样步骤，但它们不可避免地导致性能显著下降，结果过于平滑，如图1所示，其中采用了DDIM算法来加速推理。因此，需要设计一种新的扩散模型用于SR，既能实现效率又能保证性能，而不是牺牲其中之一。

让我们重新审视图像生成背景下的扩散模型。在正向过程中，它建立了一个马尔可夫链，逐渐将观察到的数据转变为预设的先验分布，通常是标准高斯分布，经过大量步骤。随后，通过从先验分布中采样噪声图并将其输入到马尔可夫链的逆向路径中，可以实现图像生成。虽然高斯先验非常适合图像生成任务，但在SR中可能不是最佳选择，其中LR图像是可用的。在本文中，我们认为，对于SR来说，合理的扩散模型应该从一个基于LR图像的先验分布开始，使其能够迭代地从其LR对应物中恢复HR图像，而不是从高斯白噪声开始。此外，这样的设计可以减少采样所需的扩散步骤数量，从而提高推理效率。

基于上述动机，我们提出了一个高效的扩散模型，涉及一个更短的马尔可夫链，用于在HR图像和其对应的LR图像之间过渡。马尔可夫链的初始状态收敛到HR图像的近似分布，而最终状态收敛到LR图像的近似分布。为了实现这一点，我们精心设计了一个转换核，逐步移动它们之间的残差。这种方法比现有的基于扩散的SR方法更高效，因为残差信息可以在几十个步骤内快速传递。此外，我们的设计还允许对证据下界进行分析和简洁的表达，简化了训练优化目标的归纳。基于这个构建的扩散核，我们进一步开发了一个高度灵活的噪声调度，控制每一步中残差的移动速度和噪声强度。通过调整其超参数，这个调度促进了恢复结果的保真度-真实性权衡。

• 我们提出了一个高效的扩散模型用于SR，它通过在推理过程中移动它们之间的残差，从LR图像迭代采样到理想的HR图像。广泛的实验表明，我们的方法在效率方面具有优越性，因为它只需要15个采样步骤就能获得令人满意的结果，超越或至少与当前需要长时间采样过程的基于扩散的SR方法相当。我们恢复结果与现有方法的预览比较如图1所示。
• 我们为所提出的扩散模型制定了一个高度灵活的噪声调度，使得在过渡过程中对残差的移动和噪声水平进行更精确的控制。

实践

环境

git clone https://github.com/zsyOAOA/ResShift.git

cd ResShift

docker run -it  --net host -v /data/xiedong/ResShift:/data/xiedong/ResShift --gpus all kevinchina/deeplearning:cuda118torch2.1.2 bash

cd /data/xiedong/ResShift

pip install -r requirements.txt

web

python app.py

得到：

点击submit后会自动下载：

Fast Testing

🐯 Real-world image super-resolution

python inference_resshift.py -i [image folder/image path] -o [result folder] --task realsr --scale 4 --version v3

🦁 Bicubic (resize by Matlab) image super-resolution

python inference_resshift.py -i [image folder/image path] -o [result folder] --task bicsr --scale 4



**自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。**

**深知大多数Linux运维工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**

**因此收集整理了一份《2024年Linux运维全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**
![img](https://img-blog.csdnimg.cn/img_convert/b8f597fbc0e7d0ce6cb4aa74be356ede.png)
![img](https://img-blog.csdnimg.cn/img_convert/697ebf9b2a299fcdb347daf67ff970ab.png)
![img](https://img-blog.csdnimg.cn/img_convert/a631f42a798d5f823625ac19f3046335.png)
![img](https://img-blog.csdnimg.cn/img_convert/64d64a5c85cc8159080f33126028a4a3.png)
![img](https://img-blog.csdnimg.cn/img_convert/c1ef9819d5c40bc87f01c5db6bd21808.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Linux运维知识点，真正体系化！**

**由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

**如果你觉得这些内容对你有帮助，可以添加VX：vip1024b （备注Linux运维获取）**
![img](https://img-blog.csdnimg.cn/img_convert/51a12eaed6245fef57ea820e508c98b7.jpeg)



### 最后的话

最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！

### 资料预览

给大家整理的视频资料：

![](https://img-blog.csdnimg.cn/img_convert/4c101f9f22311298a5eec4e00dd78178.png)

给大家整理的电子书资料：

  

![](https://img-blog.csdnimg.cn/img_convert/22c5be40d0b6d9c91c63e9c076e1e3b6.png)



**如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！**


[**一个人可以走的很快，但一群人才能走的更远。如果你从事以下工作或对以下感兴趣，欢迎戳这里加入程序员的圈子，让我们一起学习成长！**](https://bbs.csdn.net/forums/4304bb5a486d4c3ab8389e65ecb71ac0)

**AI人工智能、Android移动开发、AIGC大模型、C C#、Go语言、Java、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算**

PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算**