DiffFNO: 扩散傅里叶神经算子
计算机视觉与模式识别
2025-04-08 v2
摘要
我们提出了 DiffFNO，一种用于任意尺度超分辨率的新型扩散框架，该框架由加权傅里叶神经算子 (WFNO) 增强。WFNO 中的模式重平衡有效地捕捉关键频率分量，显著改善了对超分辨率任务至关重要的高频图像细节的重建。门控融合机制 (GFM) 自适应地利用基于注意力的神经算子 (AttnNO) 的空间特征来补充 WFNO 的频谱特征。这增强了网络同时捕捉全局结构和局部细节的能力。自适应时间步长 (ATS) ODE 求解器作为一种确定性采样策略，通过动态调整积分步长加速推理，同时不牺牲输出质量。大量实验表明，DiffFNO 达到了最先进 (SOTA) 结果，在各种缩放因子上以 2-4 dB 的 PSNR 优势超越现有方法，包括超出训练分布的因子。同时也实现了更低的推理时间。我们的方法为超分辨率树立了新标准，兼具卓越的精度和计算效率。
引用
@article{arxiv.2411.09911,
title = {DiffFNO: Diffusion Fourier Neural Operator},
author = {Xiaoyi Liu and Hao Tang},
journal= {arXiv preprint arXiv:2411.09911},
year = {2025}
}