用于图像超分辨率的四元数小波条件扩散模型

图像超分辨率是计算机视觉中的一个基本问题，其应用范围广泛，从医学成像到卫星分析。从低分辨率输入重建高分辨率图像的能力对于增强目标检测和分割等下游任务至关重要。虽然深度学习显著推动了超分辨率技术的发展，但实现具有精细细节和逼真纹理的高质量重建仍然具有挑战性，尤其是在高放大倍数下。最近利用扩散模型的方法已展现出有前景的结果，但它们往往难以在感知质量和结构保真度之间取得平衡。在这项工作中，我们引入了ResQu，这是一个新颖的超分辨率框架，它将四元数小波预处理框架与潜在扩散模型相结合，并融入了一个新的四元数小波和时间感知编码器。与先前仅在扩散模型内部应用小波变换的方法不同，我们的方法通过利用四元数小波嵌入来增强条件化过程，这些嵌入在去噪的不同阶段被动态集成。此外，我们还利用了基础模型（如Stable Diffusion）的生成先验。在特定领域数据集上的大量实验表明，我们的方法取得了出色的超分辨率结果，在许多情况下，其在感知质量和标准评估指标上均优于现有方法。代码可在https://www.github.com/Fascetta/ResQu获取。