图像超分辨率是一种计算机视觉技术，用于提高图像的分辨率，即将低分辨率图像转换为高分辨率图像。这项技术主要应用在各种场合，如卫星图像处理、医学成像、视频增强和老照片修复等领域。
涉及到的技术包括：
-
扩散模型：这是一种生成模型，通常用于生成高质量的图像。扩散模型通过逐步引入噪声并逆向这一过程来改善图像质量，但这种方法计算成本较高。
-
补丁自适应分组采样（PGS）：这是一种新的方法，它根据图像各部分的重建难度将图像分成多个补丁，对这些补丁进行分类，并为每一类配置不同的采样步骤，以优化计算资源并加速图像处理过程。
-
纹理提示：这种技术利用从独立纹理库中提取的纹理先验来指导扩散模型的去噪过程，进一步提高图像质量。
图像超分辨率技术的意义在于：
- 提高图像质量：使图像更加清晰，细节更丰富。
- 应用广泛：在医疗影像、卫星图像、安全监控、电影产业和个人媒体等领域有广泛应用。
- 节约成本：通过提高现有图像的质量，减少了需要高分辨率设备的依赖。
这些技术不仅提升了图像的视觉效果，还扩展了图像处理技术的应用范围，对科研和工业具有重要的实用价值。
论文作者：Yong Liu,Hang Dong,Jinshan Pan,Qingji Dong,Kai Chen,Rongxiang Zhang,Xing Mei,Lean Fu,Fei Wang
作者单位：National Key Laboratory of Human-Machine Hybrid Augmented Intelligence;Xi’an Jiaotong University;ByteDance Inc;Nanjing University of Science and Technology
论文链接：http://arxiv.org/abs/2405.17158v1
项目链接：https://github.com/yongliuy/PatchScaler
内容简介：
1）方向：图像超分辨率
2）应用：单图像超分辨率
3）背景：扩散模型显著提高了超分辨率图像的质量，但其巨大的计算成本限制了应用。尽管已有研究尝试通过减少采样步骤来加速推理，但每一步仍需要在整个图像上进行，计算成本依然很高。
4）方法：本文提出一种基于补丁的独立扩散超分辨率方法PatchScaler，旨在提高推理过程的效率。该方法基于观察发现，并非图像中的所有补丁都需要相同的采样步骤来重建高分辨率图像。基于此观察，开发了补丁自适应分组采样（PGS）方法，将特征补丁按重建难度分组，并为每组动态分配适当的采样配置，从而加速推理。此外，为了在每一步采样中提高去噪能力，开发了纹理提示，通过从独立参考纹理存储中检索高质量的纹理先验来指导扩散模型的估计。
5）结果：实验证明，PatchScaler在定量和定性评估中均取得了良好的性能，并具有快速的推理速度。代码和模型：https://github.com/yongliuy/PatchScaler。
