Boosting Flow-based Generative Super-Resolution Models via Learned Prior

流量基础的超分辨率（SR）模型已经展现出在生成高质量图像方面惊人的能力。然而，这些方法在图像生成过程中遇到了几个挑战，例如网格伪影、爆炸式反演和由于固定采样温度而导致的次优结果。为了克服这些问题，本文在流量基础的SR模型的推理阶段引入了一个条件学习的先验。这个先验是由我们提出的潜在模块根据低分辨率图像预测的潜在代码，然后被流模型转换为SR图像。我们的框架被设计为能够无缝地与任何现代的流量基础的SR模型集成，而不需要修改其架构或预训练权重。我们通过广泛的实验和消融分析评估了我们提出的框架的有效性。所提出的框架成功地解决了流量基础的SR模型中所有固有的问题，并增强了它们在各种SR场景中的性能。我们的代码可在以下链接处获得：https://github.com/liyuantsao/FlowSR-LP

本论文旨在解决流式超分辨率模型在图像生成过程中遇到的问题，例如网格伪影、爆炸反演和固定采样温度导致的次优结果。

本论文提出了一种条件学习先验的方法，通过在推理阶段引入一个由低分辨率图像条件生成的潜变量编码，从而无缝地与任何现代流式超分辨率模型集成，提高了模型的性能。

论文在多个超分辨率场景下进行了广泛实验和消融分析，表明所提出的方法成功解决了流式超分辨率模型中存在的问题，并提高了其性能。论文提供了开源代码。

在最近的研究中，也有其他关于流式超分辨率模型的改进方法，例如FlowSR和FlowUpsampler。