- 简介预先训练的潜在扩散模型的生成先验已经展示了提升图像超分辨率(SR)结果的巨大潜力。不幸的是,现有的基于扩散先验的SR方法遇到了一个共同的问题,即它们倾向于为相同的低分辨率图像生成相当不同的输出,而使用不同的噪声样本。这种随机性对于文本到图像生成任务是有用的,但对于SR任务来说是有问题的,因为期望保留图像内容。为了提高基于扩散先验的SR的稳定性,我们建议使用扩散模型来改善图像结构,同时使用生成对抗训练来增强图像的细节。具体来说,我们提出了一种非均匀时间步长学习策略来训练紧凑的扩散网络,该网络具有高效性和稳定性,可以重现图像的主要结构,并通过对抗训练来微调预训练的变分自编码器(VAE)的解码器以进行细节增强。广泛的实验表明,我们提出的方法,即内容一致的超分辨率(CCSR),可以显著减少基于扩散先验的SR的随机性,提高SR输出的内容一致性,并加速图像生成过程。代码和模型可以在{https://github.com/csslc/CCSR}上找到。
- 图表
- 解决问题提高扩散先验超分辨率图像生成的稳定性和一致性
- 关键思路使用扩散模型来提炼图像结构,使用生成对抗训练来增强图像细节,并提出了非均匀时间步长学习策略来训练紧凑的扩散网络和改进的VAE解码器
- 其它亮点论文提出的CCSR方法可以显著减少扩散先验超分辨率图像生成的随机性,提高超分辨率图像的一致性,加速图像生成过程。已开源代码和模型。
- 相关研究包括:1. 'Image Super-Resolution Using Very Deep Residual Channel Attention Networks';2. 'Deep Back-Projection Networks for Super-Resolution';3. 'Learning a Deep Convolutional Network for Image Super-Resolution'等
沙发等你来抢
去评论
评论
沙发等你来抢