CDFormer：当退化预测包含盲图像超分辨率的扩散模型时

CDFormer：当退化预测包含盲图像超分辨率的扩散模型时

    现有的盲图像超分辨率（BSR）方法侧重于估计核或退化信息，但长期以来忽视了基本的内容细节。提出了一种新的BSR方法，即内容感知退化驱动变换器（CDFormer），用于捕获退化和内容表示。然而，低分辨率图像无法提供足够的内容细节，因此引入了一个基于扩散的模块CDFormerdiff，首先在低分辨率和高分辨率图像中学习内容退化先验（CDP），然后在仅提供低分辨率信息的情况下近似真实分布。此外，应用了一种自适应SR网络CDFormerSR，该网络有效地利用CDP来重构特征。与之前的基于扩散的SR方法相比，将扩散模型视为一种估计器，可以克服昂贵的采样时间和过度多样性的局限性。实验表明，CDFormer可以超越现有的方法，在盲设置下在各种基准上建立新的最先进的性能。代码和型号将在https://github.com/I2-Multimedia-Lab/CDFormer中。

    改进的CDFormer的总体架构，如图4-30所示。

 

图4-30  改进的CDFormer的总体架构

在图4-30中，在第一阶段（蓝线），训练GT编码器从HR和LR图像中学习内容降级先验（CDP），以指导SR网络CDFormerSR。在第二阶段（红线），只有LR图像被输入到LR编码器中以产生条件向量，这有助于扩散模型重建CDP。

内容感知退化驱动反射块（CDRB）的详细信息，如图4-31所示。

 

图4-31  内容感知退化驱动反射块（CDRB）的详细信息

    Urban100中图像的视觉结果，比例因子为4，核宽度为1.2。最好用红色标记。如图4-32所示。

 

图4-32  Urban100中图像的视觉结果，比例因子为4，核宽度为1.2。最好用红色标记