潜空间域迁移（DTLS）在图像超分辨率中胜出——一种非去噪模型
图像与视频处理
2023-12-22 v4 计算机视觉与模式识别
摘要
大规模图像超分辨率是一项具有挑战性的计算机视觉任务，因为在高度退化的图像中缺失大量信息，例如 x16 超分辨率。扩散模型近年来在极端超分辨率应用中被成功使用，其中高斯噪声被用作形成潜写实空间的一种手段，并充当潜向量空间与潜写实空间之间的链接。关于映射高斯噪声统计使扩散模型成功的数学推导已相当丰富。本文提出一种简单方法，其摆脱高斯噪声的使用，但采用扩散模型的一些基本结构以实现高效图像超分辨率。本质上，我们提出一个 DNN 在相邻域之间执行域迁移，其可学习统计特性的差异以促进具有合理质量结果的逐步插值。通过参考输入低分辨率（LR）图像对域迁移进行条件化，进一步实现质量提升。实验结果表明，我们的方法不仅优于最先进的大规模超分辨率模型，也优于当前的图像超分辨率扩散模型。该方法可容易地扩展到其他图像到图像任务，如图像提亮、修复、去噪等。
引用
@article{arxiv.2311.02358,
title = {Domain Transfer in Latent Space (DTLS) Wins on Image Super-Resolution -- a Non-Denoising Model},
author = {Chun-Chuen Hui and Wan-Chi Siu and Ngai-Fong Law},
journal= {arXiv preprint arXiv:2311.02358},
year = {2023}
}