Detail-Enhancing Framework for Reference-Based Image Super-Resolution

近年来，参考图像超分辨率（Ref-SR）得到了繁荣发展。通过将高分辨率（HR）参考图像导入单图像超分辨率（SISR）方法中，利用从参考图像中传递的纹理减轻了这一长期领域的不适定性。尽管定量和定性结果的显著改进已经验证了Ref-SR方法的优越性，但在纹理转移之前存在不对齐的情况，表明还有提高性能的空间。现有方法倾向于忽视比较上下文中细节的重要性，因此不能充分利用低分辨率（LR）图像中包含的信息。在本文中，我们提出了一种用于参考图像超分辨率的细节增强框架（DEF），引入扩散模型来生成和增强LR图像中的基础细节。如果参考图像中存在对应部分，我们的方法可以促进严格的对齐。在参考图像缺少对应部分的情况下，它确保了基本的改进，同时避免了参考图像的影响。广泛的实验表明，我们提出的方法在保持可比数值结果的同时实现了优越的视觉效果。

本论文旨在改进参考图像超分辨率（Ref-SR）方法中存在的配准问题，提出了一种细节增强框架（DEF），以提高超分辨率的视觉效果。

该论文提出了一种基于扩散模型的方法，用于生成和增强低分辨率图像中的细节，从而在参考图像中实现严格的对齐。该方法不仅能够处理参考图像中存在对应部分的情况，还能够在缺少对应部分的情况下实现基本的改进。

论文通过大量实验验证了该方法的优越性，不仅在视觉效果上有所提升，而且在数值上也具有可比性。此外，论文还使用了多个数据集进行实验，并开源了代码。

最近的相关研究包括：1. Learning to Super-Resolve Blurry Face and Text Images，2. Residual Dense Network for Image Super-Resolution，3. Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution。