Waving Goodbye to Low-Res: A Diffusion-Wavelet Approach for Image Super-Resolution

Brian B. Moser, German Research Center for Artificial Intelligence (DFKI), Germany, arXiv, Cited:0, Code, Paper.

1. 前言

本文提出了一种新的扩散-小波（DiWa）方法，用于单幅图像超分辨率（SISR）。它充分利用了去噪扩散概率模型（DDPMs）和离散小波变换（DWT）的优势。通过使DDPMs在DWT域中运行，我们的DDPM模型有效地幻化出高频。我们的DDPM模型有效地幻化了小波谱上超分辨率图像的高频信息，从而在图像空间中实现了高质量和详细的重建。从数量上看，我们在PSNR、SSIM和LPIPS方面优于最先进的基于扩散的SISR方法，即SR3和SRDiff，在脸部（8倍缩放）和一般（4倍缩放）的SR基准上都是如此。同时，使用DWT使我们能够使用比其他模型更少的参数。比较的模型：与SR3相比，我们使用了92M的参数，而不是550M；与SRDiff相比，我们使用了9.3M，而不是12M。此外，我们的方法在经典的一般SR上的表现优于其他最先进的。此外，我们的方法在经典的一般SR数据集上优于其他最先进的生成方法，同时节省推理时间。同时节省推理时间。最后，我们的工作强调了其在各种应用中的潜力。

2. 方法

本文的思想和Deblurring via Stochastic Refinement这个文章一模一样。
在这里插入图片描述
先看训练过程，低分辨率的图像使用插值方法放大得到 $x$ ，获得两个图像对，然后进行离散小波变化。先用一个预测器 $g_{\theta}$ 对低分辨率图像进行超分，这步骤跟传统端到端的神经网络是一样的。然后对 $z_{t}$ 进行前向扩散，这里的先验是残差，也就是说这个扩散模型是增强图像的，学习纹理细节等。
在这里插入图片描述
再看推理过程，给你一个低分辨率图像，先用一个网络获得初始的高分辨率图像，这个图像一定是模糊的。然后利用扩散模型生成增强的细节最后加给初始高分辨率图像。

2.1 为什么要用离散小波变换？

我们使用DWT的动机是双重的：首先，结合DWT和DDPMs可以提高图像质量，使模型能够捕捉和保留直接处理时可能丢失或扭曲的基本特征。DWT提供了另一种表示方法，明确地将高频细节隔离在单独的子带中。因此，它们的表示更加稀疏，因此，网络更容易学习。这一特性也被利用在基于扩散的音频合成中，并取得了令人印象深刻的结果。

其次，根据奈奎斯特规则，DWT将图像的空间大小减半，这加快了去噪函数（CNN）的推理时间，当模型在DDPM推理过程中被多次应用时，这一点尤其有利。在Phung等人最近的一项工作中，使用DiffusionGAN[50]对图像生成采用了类似的方法，展示了其加速潜力。然而，DiffusionGAN与传统的DDPMs不同的是通过用GAN近似中间步骤来减少图像生成所需的时间步骤。

3. 实验

实验不全啊？为什么值比较PSNR？FID之类对于生成模型更重要的指标呢？效果这么好为什么不比较呢？效果这么好PSNR也不强啊？
在这里插入图片描述

对于脸部的SR，我们用我们的方法来评估SRDiff。对于一般的SR，我们将我们的方法与SR3进行比较。我们采用了双三次插值和抗锯齿程序来生成LR-HR图像对，这就抛弃了高频信息。

脸部SR：我们使用Flickr-Faces-HQ（FFHQ），来自Flickr的50K高质量脸部图像，作为训练。为了评估，我们利用了CelebA-HQ，它由30K人脸图像组成。我们按照Saharia等人的做法，采用两个8倍的缩放轨道。我们调整了所有图像的大小，以符合16×16→128×128和64×64→512×512的情况。

一般SR：我们使用来自DIV2K的800张2K分辨率的高质量图像进行训练，使用数据集Set5、Set14、BSD100和General100进行评估。此外，我们使用DIV2K验证集来比较我们的方法和SRDiff。我们遵循标准程序，从DIV2K中提取48×48→192×192的子图像进行4倍缩放训练。对于测试，我们保持图像的原始尺寸，这是SISR的一个标准程序。

脸部超分：我们将通道维度减少到64，而不是128，将ResNet块的数量减少到2，而不是3。总共有大约92M的参数，而不是550M。对于64×64→512×512的面部SR，我们采用了与SR3相同的架构设置（625M参数），以便为视觉例子提供公平的主观比较。此外，批次大小也减少到4，而不是256，256需要A100 GPU上才能运行啊！

在这里插入图片描述