用于任意尺度图像超分辨率的自级联扩散模型
计算机视觉与模式识别
2026-05-27 v2 人工智能
摘要
任意尺度图像超分辨率旨在将图像上采样到任意所需分辨率，相较于传统固定尺度超分辨率具有更大的灵活性。近期基于回归或生成模型的方法已取得有前景的成果，但常因单阶段 formulation 而出现尺度不一致，必须同时处理广泛的缩放因子。为此，我们提出CasArbi——一种用于任意尺度图像超分辨率的自级联扩散框架。CasArbi 将不同的缩放因子分解为较小的序列步骤，在每个步骤中逐步增强图像分辨率，并为任意尺度实现无缝过渡。CasArbi 利用坐标条件化扩散模型学习连续图像表示，采用自一致性引导在推理时生成尺度一致的细节。大量实验表明，CasArbi 在感知和失真指标上均优于现有方法，在多样化的任意尺度超分辨率基准中展现出卓越的尺度一致性。我们的代码已公开于 https://github.com/junseo88/CasArbi。
引用
@article{arxiv.2506.07813,
title = {Self-Cascaded Diffusion Models for Arbitrary-Scale Image Super-Resolution},
author = {Junseo Bang and Joonhee Lee and Kyeonghyun Lee and Haechang Lee and Dong Un Kang and Se Young Chun},
journal= {arXiv preprint arXiv:2506.07813},
year = {2026}
}