Training-free multi-scale super-resolution with diffusion models

doi:10.1016/j.eswa.2026.133730

Training-free multi-scale super-resolution with diffusion models

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133730

原文链接

原文求助

摘要

En 中文

生成式扩散模型因其在图像超分辨率（SR）任务中的卓越生成能力，近期已成为一种有前景的范式。然而，现有方法通常受限于训练时确定的固定放大因子，阻碍了在任意尺度下直接生成高分辨率图像。将模型适配到不同尺度通常需要微调或重新训练，导致高昂的计算成本。本文提出了一种无需训练的框架，利用单个预训练扩散模型实现未见多尺度超分辨率。为缓解大放大因子下的结构失真，我们将预训练U-Net中的标准卷积层替换为一种新颖的频域分离卷积。该机制通过引入下采样和扩张卷积来增强结构一致性和细节保持。此外，我们引入低放大引导融合和辅助分支无分类器指导，在去噪过程中融入稳定的默认尺度先验，在保持结构完整性的同时提升感知保真度。大量实验表明，所提方法有效且灵活，在DIV2K-Val数据集×8设置下，相对CLIPIQA指标较LDM提升13.2%，较SeeSR提升3.3%。

Keyword:

Diffusion models

Super-resolution

Multi-scale

Frequency domain decomposition

Training-free multi-scale super-resolution with diffusion models

摘要

期刊

机构

引用论文