AddSR: Accelerating Diffusion-based Blind Super-Resolution with Adversarial Diffusion Distillation

盲超分辨率方法基于稳定扩散展现了惊人的生成能力，可以从低分辨率输入中重建具有复杂细节的清晰高分辨率图像。然而，它们的实际适用性常常受到效率差的影响，这是由于需要数千或数百个采样步骤。受高效文本到图像方法对抗扩散精馏（ADD）的启发，我们设计了AddSR来解决这个问题，将蒸馏和ControlNet的思想结合起来。具体而言，我们首先提出了一种基于预测的自我细化策略，以极小的额外时间成本提供学生模型输出中的高频信息。此外，我们通过使用HR图像而不是LR图像来规范教师模型，提供更强的蒸馏约束，进一步改进了训练过程。其次，我们引入了一种时间步长自适应损失来解决ADD引入的感知失真不平衡问题。广泛的实验表明，我们的AddSR生成更好的恢复结果，同时实现比之前基于SD的最先进模型更快的速度（例如，比SeeSR快7倍）。

论文旨在解决盲超分辨率方法的效率问题，即需要进行数千或数百次采样，导致效率低下的问题。

论文提出了一种基于预测的自我完善策略，将高频信息添加到学生模型输出中，同时使用高分辨率图像来规范教师模型，提供更稳健的蒸馏约束，并引入时间步长自适应损失来解决ADD引入的感知失真平衡问题。

论文提出的AddSR方法比之前基于SD的最先进模型（例如SeeSR）快7倍，同时生成更好的恢复结果。实验表明，AddSR方法在各种数据集上都表现出色。

在这个领域中，还有一些相关的研究，例如：'Blind Super-Resolution With Iterative Kernel Correction', 'Blind Image Super-Resolution via Deep Auto-Encoder-Based Cascaded Residual Network'等。