单个图像超分辨率与无噪声扩散GANS

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 单一图像超分辨率 (SISR) 从低分辨率 (LR) 输入中重建高分辨率 (HR) 图像,这是一个错误的问题.
• 像GAN,VAE和Flows这样的生成模型可以改善SISR,但在培训稳定性,样本质量和计算成本方面面临挑战.
• 否认扩散的概率模型提供了高样本质量和多样性,但其采样速度很慢,限制了现实世界的应用.

研究的目的:

• 在基于扩散模型的SISR中调查缓慢采样的原因.
• 提出一种新的SISR方法,实现快速,多样化和高质量的图像生成.
• 提高扩散模型对现实世界SISR任务的实际适用性.

主要方法:

• 提出了一种新方法,即单图像超分辨率与去除扩散GAN (SRDDGAN).
• 结合消噪扩散模型与GAN用于条件图像生成.
• 使用多式条件GAN来建模每个无声化步骤,从而实现大步无声化.

主要成果:

• 与现有的扩散模型相比,SRDDGAN在峰值信号噪声比率 (PSNR) 和感知质量方面取得了卓越的性能.
• 该模型通过添加一个潜在变量Z. 探索可能的HR空间域的多样性.
• SRDDGAN显示出显著的速度改进,推断出它比SR3模型快近11倍.

结论:

• 传统扩散模型中的高斯假设限制了步骤大小,导致采样速度缓慢.
• SRDDGAN克服了先前方法的局限性,通过大步的消除,确保样本多样性,并保持培训稳定性.
• 由于其速度和质量,SRDDGAN为现实世界SISR应用提供了实用和高效的解决方案.