Arbitrary-Scale Image Generation and Upsampling using Latent Diffusion Model and Implicit Neural Dec

• CVPR2024

1. 问题引入

• 本文introduction部分描述逻辑较为混乱，创新点不是很足，但是整体提炼一下分为两点，其一是改进IDM，使得过程更加efficient，也就是在latent space进行diffusion并且将隐式解码提到diffusion过程之后；其二是同时实现任意尺度超分任务和图像生成任务；
• 其实本质上只有efficiency这一个创新点，原先IDM就是一个以LR+scale为条件的diffusion model，可以实现任意尺度的超分任务，图像生成就没有LR作为条件；所以整体看起来就是将隐式解码提到diffusion之外可以起效果之后开始讲故事，故事逻辑还混乱；

2. 方法

• 文章关于LIIF的方法写错了
  
• 包含三个部分encoder + denoising diffusion + decoder，本文相当于把LIIF里面encoder换成了三个部分里面的encoder + denoising diffusion，LIIF的MLP换成decoder + MLP，也就是将当成一个大号的特征提取器，之后就是LIIF的MLP过程；
• Two-Stage Alignment Process就是在训练的时候加入了重建损失；
• 消融实验也很简单