扩散模型基于超参数的抽样在基于视频的超分辨率中的实证研究
计算机视觉与模式识别
2025-12-22 v1 人工智能
摘要
扩散模型已在解决逆问题方面显示出强大的潜力，例如单图像超分辨率，即通过预训练的无条件先验从低分辨率观测中恢复高分辨率图像。包含条件方法（如 Diffusion Posterior Sampling, DPS，和 Manifold Constrained Gradient, MCG）可显著提高重建质量，但会引入需要仔细调谐的额外超参数。本文对 FFHQ 超分辨率进行经验消融研究，以识别应用条件化到预训练扩散模型时，影响性能的主要因素，结果表明条件化步长的影响远大于扩散步数数，步长在 [2.0, 3.0] 范围内可获得最佳整体性能。
引用
@article{arxiv.2512.17675,
title = {An Empirical Study of Sampling Hyperparameters in Diffusion-Based Super-Resolution},
author = {Yudhistira Arief Wibowo},
journal= {arXiv preprint arXiv:2512.17675},
year = {2025}
}