返回
One Step Diffusion-Based Super-Resolution With Time-Aware Distillation
DOI:10.1109/TIP.2026.3672376.png)
摘要
En 中文
基于扩散的图像超分辨率(SR)在从低分辨率输入中恢复高保真细节方面展现了巨大潜力。然而,其需要数十或数百步采样,导致显著的推理延迟。近期研究尝试通过知识蒸馏来加速这一过程,但通常仅依赖像素级损失,或忽视了扩散模型在不同时间步捕获不同信息的特性。为解决此问题,我们提出TAD-SR,一种时间感知的扩散蒸馏框架。具体而言,我们引入一种新颖的分数蒸馏策略,在微小噪声扰动后对齐学生模型与教师模型输出的分数函数。该蒸馏策略消除了分数蒸馏采样(SDS)中的固有偏差,并通过在小时间步采样,使学生模型更专注于高频图像细节。此外,我们引入时间感知判别器,利用教师知识结合显式的时间条件,在不同噪声尺度上区分真实与合成样本。在超分辨率任务上的大量实验表明,TAD-SR优于现有的单步扩散方法,并达到了与多步最先进模型相当的性能。
Keyword:
Accelerating diffusion model
super-resolution
single-step sampling
face restoration
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W

