CVPR 2025口服

这篇文章由华盛顿大学在圣路易斯和北京大学完成。第一个是圣路易斯华盛顿大学的小刘。她完成了对北京大学的访问；相应的是北京大学计算机科学学院的助理教授/唐·霍（Tang Hao）。从低分辨率（LR）-I.E。从单个图像中恢复高分辨率图像（HR）。 “超级分辨率”（SR） - 已成为计算机视觉领域的重要挑战。近年来，随着对医学成像，卫星遥感，视频监视和游戏渲染等应用的图像细节的需求不断增长，该技术的应用一直在增加。对超级得分模型（例如SRCNN，EDSR）的传统深入研究在固定的扩大方面表现良好，但哪个不能支持任意尺度，或者在大放大倍率和复杂的纹理情况下经常模糊的细节和文物。扩散模型可以有效地恢复高频细节，但是由于需要许多持久迭代，推理很慢，因此很难满足实时应用程序的需求。为了完全打破“高质量重建”和“快速推理”之间的矛盾，操作员的研究提高了分辨率的计算和不变性的效率，从而为这一领域带来了新的机会。华盛顿大学团队在St.该方法提出的Difffno（傅立叶神经操作员的扩散）支持高质量，高效率和Anum连续扩大的过度标记（例如2.1、11.5等）。它的出色性能来自三个主要组成部分：[1]重量傅立叶神经操作员（WFNO），[2]门控融合机制和[3]自适应ODE求解器。在所有主要基准测试中，Difffno均以2〜4 dB PSNR为导向SOTA方法。改进的影响对于训练分配以外的巨大强度标记尤其明显。该研究选择用于CVPR 2025口腔。纸张标题：diffno：傅里叶神经操作员纸纸主页：https：//jasonliu20244.github.io/diffffno-purusion-fourier-fourier-realer-rearal-perator/paper链接链接：https：//arxiv.org/abs/abs/2411.09911 1。加权频率，更多的放大器获取超级段任务中普通FNO高频的细节。 2。封闭式融合机制：并行引入轻质注意操作员（ATTNNO），以获得局部空间特征。时空的动态门控图包括光谱域和空域的特性，具有相同的全局一致性和详细的表征。 3.ATS ODE求解器（自适应步骤ode求解器）：将扩散模型的相对过程从随机SDE转换为确定性ode，并且可以在几十个步骤中完成更改 - 建立，G重新提高识别速度。下图显示了Difffno流的完整体系结构。这种方法将带来图像质量。 WFNO被认为是RGB值的空间坐标的方程式，在此类方程式之间学习了任何分辨率的超段映射，并在门控机制适应下与空间操作员合作，然后被扩散模型很好地使用了自适应求解器，以进一步优化结果。 2。重量傅立叶神经操作员和模式重新平衡传统的FNO截断了域频率中的输入特征，该功能丢弃了高频模式以降低计算成本，但它也发现难以恢复超级部分场景中的纹理，边缘和其他细节。 WFNO通过以下两个步骤进行了改进：完整的维护模式：考虑一般解构和本地照片信息详细信息，保持完整的傅立叶光谱；学习体重：IPA发现了每一层中学习的标量参数，与频率标准结合在一起，并更改 - 没有调整不同频段的影响。具体而言，频域滤波器实现了重量高频细节的自适应增强。实验表明，与普通FNO相比，WFNO的最大得分工作速率约为0.3-0.5 dB，细节更清晰。 3。封闭式融合：光谱域和空域特征的智能分配，尽管WFNO比全球对建模的依赖强，但诸如小纹理和噪声布置之类的本地纹理仍然需要有关空域的信息。因此，Difffno引入了神经操作员（ATTNNO）注意操作员，其核心包括双颌骨插值，Gallerkin的注意力和非线性激活，这可以很好地获得本地关联。通道对两个WFNO和ATTNNO输出进行尊重后，通过Addi获得了封闭图Ng Sigmoid至1×1卷积。该方法结合了全局光谱和局部空间信息，使网络可以轻松地在不同的像素位置“借用”力，从而避免了由简单绘制引起的冗余计算和信息冲突。 4。自适应步长尺寸：扩散模型从数千到十二个步骤的反向过程是重复的重要泄漏。如果您是SDE的本地形式的样本，则通常需要数千个步骤，并且需要数百多个步骤 - 一个毫秒。 difffno首先将随机SDE转换为ode流的确定性可能性，然后引入较早的时间分布步骤：1。开发具有多项式函数的学识渊博的映射，并通过其相反的函数形成不均匀的步长； 2。检查每个步骤的区域的复杂性，并动态 - 分配步骤的大小，以使步骤更较厚，台阶厚度较厚； 3。使用经典的RK4高级英格兰特考虑准确性和效率。通过这种方式，Difffno使用了自适应ODE求解器，它只需要30个步骤即可恢复HD图像 - 与传统的相反扩散过程相比，理解措施的数量已减少了近33倍，该过程需要大约1000个步骤；了解时间约为一半（从266毫秒到约141毫秒），但是图像的CALITHE图像保持不变，甚至在大尺寸的强化方面表现更好。 5。实验验证和视觉比较。在五个主要的公共数据集中，例如DIV2K，Sep5，9月14日，BSD100，Urban100等。研究表明：如果消除去除模式的去除，则PSNR降低了约0.4 dB；如果删除了attnno，则损坏了当地纹理恢复;如果删除ATS，则所需的评估步骤将增加到千步的水平。这些实验表明，所有三种成分都需要并补充每个ISA。 6。总结本文介绍了Diffno，这是一种使用神经操作员加强扩散的新型不公正分辨率。使用重量傅立叶神经操作员，封闭式的融合机制和自适应颂歌求解器，该方法实现了迅速和高质量重建的出色计算，为看似冲突的“高准确性”和“低成本”交易折扣提供了新的想法。实验结果表明，我们的技术比过去和当代不一致的方法更好地解决了许多数据集以及训练分布之外。 Diffno有效地破坏了超级得分活动中的固定尺寸，适用于许多领域，例如医学，探索和对优质iMahe的高要求。