Domain Transfer in Latent Space (DTLS) Wins on Image Super-Resolution -- a Non-Denoising Model

大规模图像超分辨率是一项具有挑战性的计算机视觉任务，因为在高度降级的图像中缺少大量信息，例如用于 x16 超分辨率。最近几年，扩散模型在极端超分辨率应用中成功使用，其中高斯噪声被用作形成潜在的照片逼真空间的手段，并作为潜在向量空间和潜在照片逼真空间之间的链接。关于映射高斯噪声统计的数学推导使得扩散模型成功。在本文中，我们提出了一种简单的方法，摆脱了使用高斯噪声，但采用了扩散模型的一些基本结构，以实现高效的图像超分辨率。本质上，我们提出了一个深度神经网络，用于在相邻域之间执行域转换，可以学习统计属性的差异，以促进具有合理质量的渐进插值。通过与输入的 LR 图像的参考条件域转换，进一步提高了质量。实验结果表明，我们的方法不仅优于最先进的大规模超分辨率模型，而且优于当前的图像超分辨率扩散模型。该方法可以轻松扩展到其他图像到图像的任务，例如图像增强、修补、去噪等。

论文旨在解决大规模图像超分辨率问题，提出了一种基于领域转换和条件领域转换的方法，以提高超分辨率的质量。

论文提出的方法是使用基于领域转换和条件领域转换的深度神经网络，通过学习相邻领域之间的统计差异，实现逐渐插值的效果。并且通过与输入LR图像的条件领域转换来提高质量。

论文的实验结果表明，该方法不仅优于当前的大规模超分辨率模型，而且优于当前扩散模型。论文还提到该方法可以扩展到其他图像到图像的任务，例如图像增强、修复、去噪等。但是没有提到是否有开源代码。

最近在这个领域中，还有一些相关的研究，如：《Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution》、《Learning a Deep Convolutional Network for Light-Field Image Super-Resolution》等。