BUFF: 基于贝叶斯不确定性引导的扩散概率模型用于单张图像超分辨率

超分辨率（SR）技术对于提升图像质量至关重要，尤其是在高分辨率图像至关重要却受限于硬件约束的场景中。现有的SR扩散模型主要依赖于高斯噪声生成，往往难以应对自然场景中复杂且可变的纹理。为此，我们提出了基于贝叶斯不确定性引导的扩散概率模型（Bayesian Uncertainty Guided Diffusion Probabilistic Model, BUFF）。BUFF通过引入贝叶斯网络生成高分辨率不确定性掩码，利用这些掩码引导扩散过程，实现对噪声强度在上下文感知和自适应方面的调节。这种新方法不仅能提高超分辨率图像与原始高分辨率图像的保真度，还能显著减轻复杂纹理和细节区域的伪影和模糊现象。该模型对复杂噪声模式表现出卓越的鲁棒性，并在处理图像中的纹理和边缘方面展现出优异的适应性。实验结果通过视觉效果表明，该模型在挑战性场景下表现出强鲁棒性，能够有效解决SR常见的模糊问题。在DIV2K数据集上的实验评估显示，BUFF在BSD100上的SSIM指数提升了+0.61，超越传统扩散方法平均再提高+0.20dB的PSNR。这些发现凸显了贝叶斯方法在提升SR扩散过程中的潜力，为该领域的后续发展指明了道路。