RectifiedHR：通过能量修正实现高效的高分辨率合成

扩散模型在各种视觉生成任务中取得了显著进展。然而，在生成分辨率高于训练时所使用分辨率的内容时，其性能会显著下降。尽管已有许多方法被提出以实现高分辨率生成，但它们都存在效率低下的问题。在本文中，我们提出了 RectifiedHR，一种用于免训练高分辨率合成的直接且高效的解决方案。具体而言，我们提出了一种噪声刷新策略，解锁了模型免训练的高分辨率合成能力并提高了效率。此外，我们首次观察到能量衰减现象，这可能会在高分辨率合成过程中导致图像模糊。为了解决这个问题，我们引入了平均潜在能量分析，并发现调整无分类器引导超参数可以显著改善生成性能。我们的方法完全免训练，并展现出高效的性能。此外，我们展示了 RectifiedHR 与各种扩散模型技术兼容，能够实现图像编辑、定制生成和视频合成等高级功能。与众多基线方法的广泛比较验证了 RectifiedHR 优越的有效性和效率。