Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution

图像超分辨率是一个根本上不适定的问题，因为对于一个低分辨率图像，存在多个有效的高分辨率图像。基于扩散概率模型的超分辨率方法可以通过学习以低分辨率图像为条件的高分辨率图像的分布来处理这种不适定性，避免了PSNR导向方法中模糊图像的问题。然而，现有的基于扩散的超分辨率方法使用迭代采样，时间消耗较高，生成的图像质量和一致性也不理想，存在颜色偏移等问题。本文提出了一种高效的条件扩散模型和概率流采样（ECDP）来进行图像超分辨率。为了减少时间消耗，我们设计了一种连续时间的条件扩散模型用于图像超分辨率，从而实现了高效的概率流采样。此外，为了提高生成图像的一致性，我们提出了一种混合参数化的去噪网络，它在不同的噪声尺度下插值了数据预测参数化和噪声预测参数化。此外，我们设计了一种图像质量损失作为扩散模型分数匹配损失的补充，进一步提高了超分辨率的一致性和质量。在DIV2K、ImageNet和CelebA上进行了大量实验，证明我们的方法比现有的基于扩散的图像超分辨率方法具有更高的超分辨率质量，同时时间消耗更低。我们的代码可在https://github.com/Yuan-Yutao/ECDP上获得。

本论文旨在解决图像超分辨率问题中存在的模糊图像和色偏等问题，提出了一种有效的条件扩散模型来进行图像超分辨率。

论文提出了一种连续时间条件扩散模型，结合概率流采样来实现高效的图像生成，同时采用混合参数化的去噪网络来提高生成图像的一致性和质量。此外，论文还设计了一种图像质量损失来补充扩散模型的得分匹配损失，进一步提高超分辨率的一致性和质量。

论文在DIV2K、ImageNet和CelebA数据集上进行了广泛的实验，证明了该方法在超分辨率质量方面优于现有的扩散模型方法，同时具有更低的时间消耗。作者还提供了开源代码。

最近的相关研究包括：《Deep Learning for Single Image Super-Resolution: A Brief Review》、《Image Super-Resolution Using Deep Convolutional Networks》、《Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network》等。