Frequency-Domain Refinement with Multiscale Diffusion for Super Resolution

单张图像超分辨率的性能在很大程度上取决于如何为低分辨率图像生成和补充高频细节。最近，基于扩散的模型展现出在生成超分辨率图像方面的巨大潜力。然而，现有模型在仅利用高分辨率的真实样本作为所有采样时间步长的目标来直接预测宽带高频信息时会遇到困难。为了解决这个问题并实现更高质量的超分辨率，我们提出了一种新颖的频域引导多尺度扩散模型（FDDiff），将高频信息的补充过程分解成更细粒度的步骤。特别地，我们开发了一种基于小波包的频率补充链，为反向扩散过程提供逐步增加带宽的多尺度中间目标。然后，FDDiff引导反向扩散过程逐步补充遗漏的高频细节。此外，我们设计了一个多尺度频率细化网络，以在一个统一的网络中预测所需的多尺度高频分量。我们进行了全面的基准评估，结果表明，FDDiff在超分辨率结果的高保真度方面优于先前的生成方法。

提高单张图像超分辨率的性能，特别是在如何生成和补充高频细节方面的性能

提出了一种基于频域引导的多尺度扩散模型（FDDiff），通过将高频信息补充过程分解为更细粒度的步骤来解决现有模型在直接预测宽带高频信息方面的困难。使用小波包频率补充链提供逐步增加带宽的多尺度中间目标，以指导反向扩散过程逐步补充缺失的高频细节。同时，设计了一个多尺度频率细化网络，在一个统一的网络中预测多个尺度所需的高频组件。

论文的实验结果表明，FDDiff比以前的生成方法具有更高保真度的超分辨率结果。

最近的相关研究包括：《Deep Residual Learning for Image Recognition》、《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》等。