关于AIGC stable diffusion 在图像超分上的算法整理

最新推荐文章于 2025-04-25 20:47:04 发布

shangyingying_1

最新推荐文章于 2025-04-25 20:47:04 发布

阅读量486

点赞数 3

CC 4.0 BY-SA版权

文章标签： AIGC stable diffusion

本文链接：https://blog.csdn.net/qq_42261630/article/details/147093530

参考文档：
c论文阅读基于Stable Diffusion的图像超分 - 知乎

十分钟读懂Stable Diffusion运行原理 - 知乎

1.difussion model 扩散模型的基本原理

diffusion model 扩散模型是一类生成模型的统称，基于扩散过程生成数据。这类模型的核心是通过逐步加噪和去噪的过程生成数据样本。

扩散模型的三种主要表达方式：

1.去噪扩散概率模型（DDPM）

2.基于分数的生成模型（SGM）

3.随机微分方程（score sde）

对扩散过程的理解：假如有一副高清晰度的图片，每一步都图片上添加一些噪声，最终这幅图片变得完全模糊。扩散的任务就是学习如何逆转这过程，从一副白噪通过逐步去噪，最终还原出清晰地的图片。

扩散模型的核心思想包括两个主要过程：

第一个是正向扩散过程：即逐步向数据中添加噪声，时期转变为纯噪声，这个过程通常是一个马尔可夫链，每一步添加少量高斯噪声

第二个是逆向生成过程：学习从噪声中逐步去除噪声，恢复出原始数据，这个过程也是一个马尔可夫链，但方向相反，逐步去噪。

扩散模型的目的是什么?

学习如何从纯噪声生成图像

扩散模型是怎么做的？

训练一个网络，输入一系列添加了噪声的图潘，学习去预测这些图片中的噪声

2.基于stable difussion 对于图像超分的算法

1.stable SR

2.DIFFBIR

3.PASD

4.SEESR

5.PROMPTSR

6.COSER

7.SUPIR

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

shangyingying_1

关注关注

3
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Stable Diffusion - 超分辨率插件 StableSR v2 (768x768) 配置与使用

AGI

07-06

9792

StableSR 算法提出了一种新颖的方法，利用预训练的文本到图像扩散模型中封装的先验知识，来实现盲超分辨率（SR）。具体来说，通过使用时间感知编码器，可以在不改变预训练的合成模型的情况下，实现令人满意的恢复结果，从而保留了生成先验并最小化了训练成本。为了弥补扩散模型固有的随机性造成的保真度损失，引入了一个可控的特征包裹模块，允许用户在推理过程中通过简单地调整一个标量值来平衡质量和保真度。此外，开发了一种渐进式聚合采样策略，以克服预训练扩散模型的固定尺寸限制，使其能够适应任何尺寸的分辨率。

使用Diffusion Models进行图像超分辩重建

沉迷单车的追风少年

01-02

2281

图像超分辨率重建是一个经典CV任务，其实LR（低分辨率）和 HR（高分辨率）图像仅在高频细节上存在差异。通过添加适当的噪声，LR 图像将变得与其 HR 对应图像无法区分。这篇博客介绍一种方式巧妙利用这个规律使用Diffusion Models进行图像超分辩重建任务。

参与评论您还未登录，请先登录后发表或查看评论

图像超分辨率（SR）

qq_34717531的博客

09-28

1407

4）方法：本文引入一种新的一步SR模型，显著解决了基于扩散的SR方法的效率问题。3）背景：尽管基于扩散的超分辨率方法依赖大型预训练的文本到图像扩散模型取得了显著成功，但仍面临两个挑战：需要大量采样步骤以获得满意结果，从而限制了在实际场景中的效率；：如双线性、双三次和Lanczos插值，这些方法通过数学公式计算低分辨率图像中的像素点周围的新像素值，是最简单也是最初级的SR技术。图像超分辨率技术通过提高图像分辨率，为多种应用领域提供了重要的技术支持，极大地扩展了图像的使用场景和价值。2）应用：图像超分辨率。

常用的超分算法

weixin_43271137的博客

05-25

7915

它通过利用图像中的信息和先验知识，推测和还原图像中丢失的细节，从而增加图像的清晰度和细节级别。基于深度学习的超分算法利用卷积神经网络（Convolutional Neural Networks，CNN）等深度学习模型，通过学习从低分辨率图像到高分辨率图像的映射关系，实现图像的超分辨率重建。这些基于深度学习的方法通过大规模的训练数据和复杂的网络结构，能够学习到图像的映射关系，并生成高质量的超分辨率图像。通过学习边缘的生成模型，可以推断高分辨率图像中的边缘位置和形状，从而实现图像的超分辨率重建。

图像超分算法

m0_54741987的博客

06-17

671

3. 基于学习的算法：最近的发展是使用深度学习算法实现图像超分。与其他方法相比，基于学习的算法可以在更复杂的图像中产生更好的结果，但其训练成本更高。图像超分算法旨在将低分辨率（LR）图像转换为高分辨率（HR）图像，例如将480p分辨率的视频转换为1080p分辨率的视频。常见的图像超分算法包括插值法、基于统计的算法和基于学习的算法。2. 基于统计的算法：改进的方法是基于统计的算法，如最小二乘重建和基于学习的映射算法。1. 插值法：最简单的图像超分方法是插值法，它将LR图像中的像素值直接插值到HR图像中。

计算摄影——图像超分

turned的博客

10-30

4814

这一节主要介绍一下基于单张图的图像超分算法。图像超分，就是要从低分辨率的图像恢复为高分辨率的图像，它在日常的图像和视频存储与浏览中都有广泛的应用。

〔014〕Stable Diffusion 之超分辨率图像生成篇

国内某知名游戏公司小菜鸡工程师

08-19

2211

超分辨率图像的生成，适合照片的高清修复

Stable Diffusion教程：额外功能/后期处理/高清化

程序员小麦的博客

04-28

2372

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。

AIGC应用：Stable diffusion webui基本使用技巧

WiSirius的博客

02-20

1936

Stable diffusion相信很多技术爱好者都了解，并且也尝试用过，目前在各路开源大佬的支持下，Stable diffusion的生图piepline越来越成熟，同时在各种新技术的加持下，可玩性越来越高。相比我以往的理论性文章，该系列文章主要讲解一下SD web ui的具体使用，以及一些拓展功能的使用，同时对自己应用SD有一个记录。SD webui目前的插件越来越多，玩法也越来越多，后面我会继续更新相关使用技巧和内容。

【2025 Stable Diffusion WebUI 初始入门】【3.Stable Diffusion启动器参数详解】

04-25

720

网络配置：可实现局域网共享，支持自定义端口号。调试模式：用于快速验证界面布局，节省模型加载时间。 2. 显存优化参数显存分级策略：根据显卡显存选择或，配合可提升30%速度。精度控制：可解决部分显卡生成异常问题。 3. 性能增强参数硬件适配：仅适用于NVIDIA 16系以上显卡。精度权衡：可减少显存占用，但可能导致细节损失。二、WebUI界面深度解析 1. 主界面参数体系（1）生成控制模块字段名称取值范围功能说明提示词（Prompt）

图像超分算法小合集三：RCAN、SRLUT、ESPCN、VESPCN（混进来一个VSR）

qq_45122568的博客

04-26

3379

目录RCAN、SRLUT、ESPCN、VESPCN 本文只是简单介绍这些算法和网络结构，详细内容可以在我的博客内找、

探索OpenCV的AI实现视频超分

徐福记456

06-21

2081

OpenCV除了使用光流算法与普通插值实现图像视频超分，还提供AI深度学习实现视频超分。算法模型包括：edsr、espcn、fsrcnn、lapsrn，实现超分的倍数有2、3、4、8。通过AI实现的视频超分比传统算法的效果更好，图像更清晰。在opencv_contrib外置库的dnn_superres模块，就是用AI实现的图像/视频超分。接下来，我们对比AI算法、双三次插值、最近邻插值、LANCZOS插值的超分效果。通过计算图像的PSNR、SSIM来评估超分质量。

图像超分辨的几种方法

yuehuihui00的博客

06-11

8686

当前看了几种图像超分辨的方法，本篇博客主要介绍最近邻插值算法、双线性插值算法、双三次插值算法(bicubic interpolation)、SRCNN、TNRD、ESPCN 几种方法。为了方便归纳，这里借鉴一下其他几个博主的相关总结。。 1.**最近邻插值算法、双线性插值算法、双三次插值算法(bicubic interpolation)**请参阅博客 https://blog.csdn.net/nandina179/article/details/85330552 2.SRCNN方法请参阅博客 htt

图像超分算法小合集二：FSRCNN、DRCN、RDN、EDSR

qq_45122568的博客

04-13

4659

目录FSRCNNDRCNRDN 文章： FSRCNN : Accelerating the Super-Resolution Convolutional Neural Network DRCN: Deeply-Recursive Convolutional Network for Image Super-Resolution RDN: Residual Dense Network for Image Super-Resolution FSRCNN FSRCNN : Accelerating the Supe

用Diffusion做超分

qq_43340256的博客

07-24

4975

https://blog.csdn.net/BAAIBeijing/article/details/128030480.(2) SR3:Image Super-Resolution via Iterative Refinement - 知乎. https://zhuanlan.zhihu.com/p/444218616.(1) Diffusion Models专栏文章汇总：入门与实战 - 知乎. https://zhuanlan.zhihu.com/p/566059899.

一种简单的图像超分辨率算法（非深度学习）

qq_43287277的博客

06-07

3992

这次给大家介绍的是一种基于传统方法的单幅图像超分辨率算法，算法原理和实现过程都很简单。参考文献：《单幅图像超分辨率重建方法及其视觉位移测量应用研究》我们先看看效果，这是原始高分辨率图像：这个是经过三次下采样的低分辨率图像，大小是原来的八分之一：这个是本文超分算法重建后的图像：具体细节部分，该文章算法：双三次插值：双线性插值：原始图像：最近邻插值：首先这是一种传统的、非深度学习的超分算法，不需要大量的训练数据集和很多的训练时间。效果相比于经典算法：双线性插值、双三次插值相比各有优劣。但不论如何都可以

图像超分算法总结

qq_40107571的博客

09-07

1312

图像超分算法总结

CVPR 2024 | 图像超分、图像恢复汇总！用AIGC扩散模型diffusion来解决图像low-level任务的思路...

月流霜的专栏

07-20

1528

由于预训练模型的现成特征（off-the-shelf features，OSF）并不能直接用于图像恢复，提出一个学习额外的轻量级模块——预训练引导细化模块（Pre-Train-Guided Refinement Module，PTG-RM），用于通过OSF改进目标恢复网络的恢复结果。此外，在输出图像的多样性和不同尺度下的一致性方面也不足。提出两种零样本文本引导超分辨率的方法，一种是修改文本到图像（T2I）扩散模型的生成过程，以促进与低分辨率输入的一致性，另一种是将语言引导融入零样本扩散式恢复方法中。

超越视觉极限：深度学习图像超分辨率算法清单【第三部分】

今晚打老虎的专栏

05-07

1301

自从深度学习技术被引入到图像超分辨率的研究中，它就彻底改变了我们提升图像质量的方式。本文将带您穿越时间的长河，从2014年的SRCNN算法，到2024年的最新进展，每一次技术的飞跃都为我们打开了新的可能性。我们将总结2014年到2024年出现的各个超分算法的关键技术和创新点。无论您是人工智能的专业人士，还是对前沿科技保持好奇的爱好者，这篇文章都将为您展示深度学习如何在不断超越的视觉极限中扮演关键角色。