Binarized Diffusion Model for Image Super-Resolution

先进的扩散模型在图像超分辨率方面表现出色，但高昂的内存和计算成本阻碍了它们的应用。二值化是一种超级压缩算法，可以有效加速扩散模型。然而，由于模型结构和扩散模型的多步迭代属性，现有的二值化方法导致了显著的性能下降。本文介绍了一种新的二值化扩散模型BI-DiffSR，用于图像超分辨率。首先，针对模型结构，我们设计了一个针对二值化优化的UNet架构。我们提出了一致像素下采样（CP-Down）和一致像素上采样（CP-Up）来保持尺寸一致，并促进全精度信息的传输。同时，我们设计了通道混洗融合（CS-Fusion）来增强跳跃连接中的特征融合。其次，针对不同时间步的激活差异，我们设计了时间步感知的重新分配（TaR）和激活函数（TaA）。TaR和TaA根据不同的时间步动态调整激活的分布，提高了二值化模块的灵活性和表示能力。全面的实验表明，我们的BI-DiffSR优于现有的二值化方法。代码可在https://github.com/zhengchen1999/BI-DiffSR上获得。

本论文旨在提出一种新的二值化扩散模型BI-DiffSR，以加速图像超分辨率处理。现有的二值化方法在处理多步迭代的扩散模型时会导致性能下降，因此需要一种新的方法。

论文提出了一种优化的UNet结构，包括CP-Down和CP-Up来保持尺寸一致性，以及CS-Fusion来增强跳跃连接中的特征融合。同时，通过设计TaR和TaA来动态调整激活函数的分布，提高二值化模块的灵活性和表现能力。

论文的实验结果表明，提出的BI-DiffSR方法优于现有的二值化方法。作者还提供了代码，并使用了多个数据集进行实验评估。该研究的亮点包括优化的UNet结构和动态调整激活函数的方法。

最近的相关研究包括：1）基于GAN的图像超分辨率方法；2）基于深度学习的超分辨率方法；3）基于扩散模型的超分辨率方法等。