通过学习先验提升基于流的生成式超分辨率模型
计算机视觉与模式识别
2024-05-30 v3 人工智能
摘要
基于流的超分辨率（SR）模型在生成高质量图像方面展现了惊人的能力。然而，这些方法在图像生成过程中遇到了一些挑战，例如网格伪影、逆变换爆炸以及由于固定采样温度导致的次优结果。为了克服这些问题，本工作在基于流的 SR 模型的推理阶段引入了条件学习先验。该先验是由我们提出的以低分辨率图像为条件的潜在模块预测的潜在编码，随后被流模型转换为 SR 图像。我们的框架设计为可与任何当代基于流的 SR 模型无缝集成，而无需修改其架构或预训练权重。我们通过广泛的实验和消融分析评估了所提出框架的有效性。所提出的框架成功解决了基于流的 SR 模型中所有固有问题，并增强了它们在各种 SR 场景中的性能。我们的代码可在以下网址获取：https://github.com/liyuantsao/BFSR
引用
@article{arxiv.2403.10988,
title = {Boosting Flow-based Generative Super-Resolution Models via Learned Prior},
author = {Li-Yuan Tsao and Yi-Chen Lo and Chia-Che Chang and Hao-Wei Chen and Roy Tseng and Chien Feng and Chun-Yi Lee},
journal= {arXiv preprint arXiv:2403.10988},
year = {2024}
}
备注
Accepted to CVPR2024