ResShift: 通过残差移位实现高效图像超分辨率的扩散模型 (NeurIPS@2023 焦点论文, TPAMI@2024)
宗胜岳、王建义、陈长乐 会议论文 | 期刊论文 | 项目页面 | 视频 ](https://replicate.com/cjwbw/resshift) :star: 如果 ResShift 对您的图像或项目有帮助,请帮助为这个仓库点赞。谢谢! :hugs:
基于扩散的图像超分辨率 (SR) 方法主要受限于高达数百甚至数千个采样步骤的要求,导致推理速度低下。现有的加速采样技术不可避免地在一定程度上牺牲了性能,导致 SR 结果过于模糊。为了解决这一问题,我们提出了一种新的、高效的 SR 扩散模型,大幅减少了扩散步骤的数量,从而消除了推理过程中后期加速的需求以及相关的性能下降。我们的方法构建了一个马尔可夫链,通过在高分辨率图像和低分辨率图像之间移动残差来实现两者之间的转换,大大提高了转换效率。此外,我们还开发了一个详细的噪声调度方案,以灵活控制扩散过程中的移动速度和噪声强度。大量实验表明,我们的方法在合成和真实数据集上都获得了优于甚至与当前先进方法相媲美的性能, 即使仅使用 15 个采样步骤。
暂无开放 Issues，或尚未同步最近议题。