DRealSR
PulseAugur coverage of DRealSR — every cluster mentioning DRealSR across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的RAESR方法使用冻结的DINOv3-L潜在空间进行超分辨率
研究人员开发了一种名为RAESR的新型超分辨率（SR）方法，该方法在冻结的DINOv3-L视觉基础模型的潜在空间中运行。这种方法与在像素或面向重建的潜在空间中工作的现有方法不同，后者被认为对SR任务效果较差。RAESR的方法利用了DINOv3-L潜在空间，该空间包含从像素细节到语义的层次化信息，以更好地指导降级图像嵌入映射回高分辨率图像的流形。由此产生的模型在多个基准测试中实现了最先进的保真度-感知权衡，并能快速处理图像。
-
新的超分辨率方法利用冻结视觉模型潜在空间
研究人员开发了一种新的图像超分辨率方法，该方法利用了冻结的视觉基础模型（特别是DINOv3-L）的潜在空间。这种名为RAESR的方法将退化图像的嵌入映射回该潜在空间中的自然图像流形，同时保留了语义和像素细节。与现有的基于对抗和扩散的方法相比，RAESR在多个基准测试中展示了卓越的保真度-感知权衡，并在单个GPU上实现了快速处理。
-
SPARK方法增强了用于图像超分辨率的冻结DiT模型
研究人员开发了SPARK，一种使用冻结的Diffusion Transformer (DiT) 模型增强图像超分辨率的新颖方法。SPARK通过在线激活排序程序识别并调制少量主导内部通道，以提高保真度和感知质量。这种轻量级方法通过预测有界逐通道仿射变换来实现，仅需优化一个基于低分辨率VAE潜在变量的条件预测器，同时保持主要的SR骨干网络和VAE冻结。在多个数据集上的多个基于DiT的SR模型上进行的实验表明，无需对整个网络进行微调即可获得…
-
PixelIR框架将图像保真度和感知度解耦，用于超分辨率
研究人员推出了一种新颖的图像超分辨率框架PixelIR，该框架将保真度和感知质量解耦。与之前同时优化这两个目标的方法不同，PixelIR首先生成忠实的重建，然后合成感知上逼真的细节。该方法通过像素空间图像残差流匹配实现。该框架已被提炼成一个高效的一步学生模型，在PSNR、SSIM和LPIPS指标上取得了最先进的结果，同时保持了保真度、感知度和效率的良好平衡。