基于语义控制边缘增强的扩散模型超分辨率

现实图像超分辨率（Real-ISR）必须处理复杂的退化和固有的重构歧义。虽然生成模型已提高感知质量，但计算成本仍是一个关键权衡。一级扩散模型虽具速度优势，却常因蒸馊artifacts产生结构不准确的问题。为此，我们提出一种新型超分辨率框架，通过集成ControlNet机制实现语义边缘引导，以增强单步扩散模型。该方法在单次推理期间集成边缘信息，提供动态结构控制。我们还引入了一种混合损失，结合L2损失、LPIPS损失和基于边缘的AMÉ损失，以优化像素精度、感知质量和几何精度。实验表明，我们的方法有效提升了结构完整性和真实感，同时保持了单次生成的效率，实现了输出质量与推理速度之间的卓越平衡。测试数据集结果将发布于https://drive.google.com/drive/folders/1amddXQ5orIyjbxHgGpzqFHZ6KTolinJF?usp=drive_link，相关代码将发布于https://github.com/ARBEZ-ZEBRA/SCEESR。