Self-Adaptive Reality-Guided Diffusion for Artifact-Free Super-Resolution

本文介绍了无伪影超分辨率（SR）技术，旨在将低分辨率图像转换为高分辨率图像，并保持原始内容的严格完整性，消除任何失真或合成细节。传统的基于扩散的SR技术已经展示了提高图像细节的显著能力，但在迭代过程中容易引入伪影。这些伪影从微不足道的噪声到不真实的纹理都偏离了源图像的真实结构，因此挑战了超分辨率过程的完整性。本文提出了一种无需训练的方法Self-Adaptive Reality-Guided Diffusion（SARGD），它深入到潜在空间中，有效地识别和减轻伪影的传播。我们的SARGD首先使用伪影检测器来识别不合理的像素，创建一个突出显示伪影的二进制掩码。随后，现实指导细化（RGR）过程通过将这个掩码与现实的潜在表示相结合来改善伪影的精度，提高与原始图像的对齐度。然而，来自低质量图像的初始真实潜在表示会导致最终输出的过度平滑。为了解决这个问题，我们引入了一种自适应指导（SAG）机制。它动态计算现实得分，增强真实潜在的清晰度。这些交替机制共同实现了无伪影的超分辨率。大量实验表明了我们方法的优越性，可以在减少采样步骤的同时提供详细的无伪影高分辨率图像。我们在https://github.com/ProAirVerse/Self-Adaptive-Guidance-Diffusion.git发布了我们的代码。

解决问题：论文旨在提出一种无伪影的超分辨率方法，以保持原始内容的完整性，消除任何失真或合成细节。

关键思路：论文提出了自适应现实引导扩散（SARGD）方法，该方法通过潜在空间有效识别和减轻伪影传播，从而实现无伪影的超分辨率。SARGD利用伪影检测器创建二进制掩模，用于标记伪影，并将其与逼真的潜在表示相结合，通过现实引导细化（RGR）过程来改善与原始图像的对齐。此外，引入了自适应引导（SAG）机制，它动态计算现实得分，增强逼真的潜在表示的清晰度。

其他亮点：论文通过大量实验表明了SARGD方法的优越性，能够在减少采样步骤的同时提供详细的无伪影高分辨率图像。论文代码已在GitHub上开源。值得进一步研究的工作包括如何将SARGD方法应用于其他图像处理任务中。

相关研究：最近的相关研究包括《基于深度学习的超分辨率综述》、《自适应超分辨率图像重建的深度学习方法》等。