QDM：基于四叉树的区域自适应稀疏扩散模型用于高效图像超分辨率
计算机视觉与模式识别
2025-11-18 v2
摘要
基于深度学习的超分辨率（SR）方法通常在整个图像上均匀执行逐像素计算，即使在不需要高分辨率细化的均匀区域也是如此。我们提出了四叉树扩散模型（QDM），一种区域自适应扩散框架，利用四叉树结构选择性地增强细节丰富区域，同时减少均匀区域的计算量。通过由低质量输入导出的四叉树来引导扩散过程，QDM识别出细细节至关重要的关键区域（以叶节点表示），并在其他区域应用最小化细化。这种由掩码引导的双流架构自适应地平衡质量与效率，以低计算冗余生成高保真输出。实验证明了QDM在多样化图像类型的高分辨率SR任务中的有效性，特别是在医学成像（如CT扫描）中普遍存在大均匀区域的情况下。此外，QDM在标准基准上优于或可与最先进SR方法相媲美，同时显著降低了计算成本，突显了其效率和对资源受限环境的适用性。我们的代码可在https://github.com/linYDTHU/QDM获取。
引用
@article{arxiv.2503.12015,
title = {QDM: Quadtree-Based Region-Adaptive Sparse Diffusion Models for Efficient Image Super-Resolution},
author = {Donglin Yang and Paul Vicol and Xiaojuan Qi and Renjie Liao and Xiaofan Zhang},
journal= {arXiv preprint arXiv:2503.12015},
year = {2025}
}