加速基于扩散的盲超分辨率图像恢复与对抗性扩散蒸馏
内容提要
本文介绍了YONOS-SR，一种新型的基于扩散的图像超分辨率方法，通过尺度蒸馏训练模型简化了超分辨率问题。实验结果表明，该方法在推断过程中仅需一步，且性能优于传统方法。此外，提出了LADD和ACDMSR等相关技术，进一步提升了图像合成的效率和质量。
延伸解读
尺度蒸馏如何简化超分辨率训练
YONOS-SR 的核心创新是尺度蒸馏：先训练一个在较小放大尺度上的教师模型，再用其预测作为目标来训练更高放大尺度的学生模型，并迭代直到目标尺度。这种方法将高倍超分辨率问题分解为一系列更简单的子问题，避免了直接训练高放大尺度模型的困难。实验表明，蒸馏模型在推断时只需少量步骤，性能却明显优于直接训练的高放大尺度模型。
单步扩散超分辨率的实用意义
传统扩散模型通常需要数百步采样，计算成本高。YONOS-SR 仅需一次 DDIM 步骤即可获得最先进的结果，这得益于尺度蒸馏得到的强大单步模型。单步能力还允许冻结 U-Net 并微调解码器，组合后的性能甚至优于需要 200 步的最先进方法。这意味着超分辨率任务有望实现实时或近实时应用，大幅降低部署门槛。
相关技术 LADD 与 ACDMSR 的定位
文章还提及 LADD 和 ACDMSR 两项技术。LADD 利用预训练潜在扩散模型的特征进行蒸馏，简化训练并提升高分辨率多纵横比图像合成性能，已应用于 Stable Diffusion 3 得到 SD3-Turbo。ACDMSR 则通过预训练 SR 模型生成条件图像，在可实践场景中生成更逼真的低分辨率图像。这些工作共同推动了扩散模型在图像恢复中的效率与质量平衡。
Q&A
YONOS-SR是什么？
YONOS-SR是一种新的基于扩散的图像超分辨率方法，仅需一次DDIM步骤即可获得最先进的结果。
YONOS-SR如何简化超分辨率问题？
通过尺度蒸馏训练模型，使用教师模型的预测作为目标训练学生模型，从而简化超分辨率问题。
LADD和ACDMSR技术的作用是什么？
LADD和ACDMSR技术进一步提升了图像合成的效率和质量，LADD利用预训练的潜在扩散模型生成特征，而ACDMSR通过预先训练的SR模型生成条件图像。
YONOS-SR的实验结果如何？
实验表明，YONOS-SR的蒸馏模型在推断过程中只需少量步骤，性能优于直接训练高放大尺度的模型。
YONOS-SR与传统方法相比有什么优势？
YONOS-SR在推断过程中仅需一步，且性能优于传统方法，显示出更高的效率和质量。
如何实现高分辨率图像合成？
通过LADD方法利用预训练的潜在扩散模型生成特征，简化训练并提高性能，从而实现高分辨率图像合成。
