TASR：基于时间步的扩散模型用于图像超分辨率
计算机视觉与模式识别
2025-09-09 v2
摘要
扩散模型最近在图像超分辨率领域取得了显著成果。这些方法通常通过 ControlNet 注入低分辨率 (LR) 图像。本文首先探索了通过 ControlNet 注入信息的时间动态，揭示了 LR 图像输入主要影响去噪过程的初始阶段。利用这一洞察，我们引入一种新颖的时间步感知扩散模型，适度整合来自 ControlNet 和预训练的 Stable Diffusion (SD) 的特征。我们的方法增强了 LR 信息在扩散早期阶段的传递，以保证图像保真度，并激发 SD 模型本身的生成能力在后期阶段以增强生成图像的细节。为训练此方法，我们提出一种时间步感知训练策略，在不同时间步采用不同的损失并作用在不同模块上。实验在基准数据集上表明我们方法的有效性。代码：https://github.com/SleepyLin/TASR
引用
@article{arxiv.2412.03355,
title = {TASR: Timestep-Aware Diffusion Model for Image Super-Resolution},
author = {Qinwei Lin and Xiaopeng Sun and Yu Gao and Yujie Zhong and Dengjie Li and Zheng Zhao and Haoqian Wang},
journal= {arXiv preprint arXiv:2412.03355},
year = {2025}
}
备注
Accepted to ACM MM2025