.png){kind=icon}
返回
SinWaveFusion: Learning a single image diffusion model in wavelet domain
.png){kind=icon}
PRE
AI
DOI：10.1016/j.imavis.2025.105551.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管近年来大规模图像生成模型在视觉保真度和可靠性方面取得了显著进步，但当前的扩散模型在保持与原始图像的风格一致性方面仍面临重大挑战。这些挑战主要源于扩散过程的固有随机性，导致编辑输出中出现明显的变异和不一致性。为解决这些问题，本文提出了一种新型框架，称为单图像小波扩散（SinWaveFusion），该框架专门设计用于增强从单源图像生成图像的一致性和保真度，同时缓解信息泄露问题。SinWaveFusion通过利用小波分解固有的多尺度特性来处理生成伪影，该特性包含内置的上下尺度机制。这种方法能够在增强风格连贯性的同时实现精细的图像操控。所提出的扩散模型仅使用单源图像进行训练，利用小波子带层次结构在采样过程中有效捕捉空间和频谱信息，最小化重建损失并确保高质量、多样化的输出。此外，去噪器的架构具有较小的感受野，策略性地防止模型记忆整个训练图像，从而提供额外的计算效率优势。实验结果表明，与基于单图像训练的现有生成模型相比，SinWaveFusion在条件和无条件生成方面均实现了更优的性能。
Keyword:
Single image generation
Denoising diffusion models
Wavelet transform
期刊
IF:
4.2
论文数:
4.1K
被引数:
6.7K
机构
引用论文
.png){kind=icon}
Optimized single-image super-resolution reconstruction: A multimodal approach based on reversible guidance and cyclical knowledge distillation优化的单幅图像超分辨率重建: 基于可逆引导和循环知识蒸馏的多模态方法
PREAI
分享收藏
查看更多内容