BriefGPT - AI 论文速递
·
基于扩散的时间感知蒸馏单步超分辨率
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的稳定的基于扩散的图像超分辨率方法YONOS-SR，通过尺度蒸馏方法训练SR模型，实验证明蒸馏模型优于直接训练高放大尺度的模型。使用只需一步的扩散模型可以冻结U-Net并微调解码器，比需要200步的方法更优越。
🎯
关键要点
- YONOS-SR是一种新的稳定的基于扩散的图像超分辨率方法。
- 该方法仅使用一次DDIM步骤即可获得最先进的结果。
- 提出了一种新颖的尺度蒸馏方法来训练SR模型。
- SR问题被简化为教师模型在较小放大尺度上的训练。
- 训练过程中使用教师的预测作为目标来训练较高放大尺度的学生模型。
- 实验表明，蒸馏模型优于直接训练高放大尺度的模型。
- 只需一步的强大扩散模型使得冻结U-Net并微调解码器成为可能。
- 经过空间蒸馏的U-Net和微调的解码器组合优于需要200步的最先进方法。
➡️
