登录社区云，与社区用户共同成长
邀请您加入社区
BSConv 是原始深度可分离卷积（DSConv）的改进变体，能更好地利用卷积核内相关性实现高效的卷积分离 ，本文的研究验证了 BSConv 对高效超分辨率任务的有效性。（更高的 PSNR/SSIM 和更好的视觉效果）。此外，BSRN 集成了 PyTorch 框架，并利用了 BasicSR，这是一个强大的图像超分辨率工具包，提供了一系列预处理和后处理功能，以及全面的训练和测试支持。：蓝图可分离卷积
本文提出LSRNA框架，通过将超分辨率过程转移到隐空间，显著提升扩散模型生成高分辨率图像的效率。核心创新包括：1) 轻量级隐空间超分网络(LSR)快速放大潜变量；2) 频率感知噪声对齐(NA)模块解决分布不匹配问题。实验表明，该方法在生成4K图像时比现有技术快3倍，同时避免结构崩坏和重复纹理问题。LSRNA可无缝集成到现有扩散模型中，为高分辨率图像生成提供高效解决方案。
图像超分辨率模型：SRResNet / SRGAN、ESRGAN、SRDenseNet、LapSRN、RDN，自用学习笔记，包含模型介绍、模型流程和模型实现代码
