CDFormer:When Degradation Prediction Embraces Diffusion Model for Blind Image Super-Resolution

现有的盲图像超分辨率（BSR）方法注重于估计核或降级信息，但长期忽视了基本的内容细节。本文提出了一种新颖的BSR方法，即内容感知的降级驱动变换器（CDFormer），以捕获降级和内容表示。然而，低分辨率图像无法提供足够的内容细节，因此我们引入了一个基于扩散的模块$CDFormer_{diff}$，首先在低分辨率和高分辨率图像中学习内容降级先验（CDP），然后仅给出低分辨率信息即可近似真实分布。此外，我们应用一种自适应SR网络$CDFormer_{SR}$，有效利用CDP来精细特征。与先前的基于扩散的SR方法相比，我们将扩散模型视为估计器，可以克服昂贵的采样时间和过度多样性的限制。实验表明，CDFormer可以优于现有方法，在盲设置下建立新的最先进性能基准。代码和模型将在\href{https://github.com/I2-Multimedia-Lab/CDFormer}{https://github.com/I2-Multimedia-Lab/CDFormer}上提供。

本论文旨在解决盲超分辨率方法在估计核或退化信息时忽略了内容细节的问题。论文提出了一种新的盲超分辨率方法CDFormer，旨在捕捉退化和内容表示。同时，论文还试图解决低分辨率图像无法提供足够内容细节的问题，并引入了基于扩散的模块CDFormer_diff来学习低分辨率和高分辨率图像中的内容退化先验，并仅根据低分辨率信息近似实际分布。此外，论文还应用了自适应SR网络CDFormer_SR，有效利用CDP来改进特征。

论文提出了一种新的盲超分辨率方法CDFormer，旨在捕捉退化和内容表示。引入了基于扩散的模块CDFormer_diff来学习低分辨率和高分辨率图像中的内容退化先验，并仅根据低分辨率信息近似实际分布。应用自适应SR网络CDFormer_SR，有效利用CDP来改进特征。

论文的实验结果表明，CDFormer在盲设置下的各种基准测试中都优于现有方法，建立了一个新的最先进性能。论文提出的新方法可以帮助解决盲超分辨率方法在估计核或退化信息时忽略了内容细节的问题，同时还引入了基于扩散的模块CDFormer_diff来学习内容退化先验，并仅根据低分辨率信息近似实际分布。论文的数据集和代码都是开源的。

最近在这个领域中，还有一些相关的研究被进行。例如：1. “Blind Image Super-Resolution with Spatially Variant Degradations”；2. “Blind Super-Resolution Kernel Estimation using an Internal-GAN”；3. “Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels”。