diffusion sr

引用\[1\]:SR3模型是一种通过重复精细化操作来实现图像超分辨率的模型。它将噪扩散概率模型嫁接至图像到图像的翻译任务中，通过随机迭代去噪实现图像超分辨率。通过训练一个用于在各种水平噪声上去噪的U-Net架构，逐步的对完全高斯噪声进行逐步精细化最终得到输出图像。不论是人脸图像还是自然图像，SR3都在不同倍率的超分辨率任务上展示出超强的性能。\[1\]

引用\[2\]:在SR3模型的前向过程中，每个图像会取随机的扩散次数T，得到不同程度的噪声图像。然后将这些噪声图像输入到UNet中，通过L1 loss /L2 loss来求得真实噪声Z和的损失。\[2\]

综上所述，SR3模型是一种通过重复精细化操作和噪扩散概率模型来实现图像超分辨率的模型。它在不同倍率的超分辨率任务上展现出了出色的性能，并通过随机迭代去噪的方式实现图像超分辨率。\[1\]\[2\]
#### 引用[.reference_title]
- *1* [SR3:Image Super-Resolution via Iterative Refinement（零基础解读基于diffusion的超分网络）](https://blog.csdn.net/Syuhen/article/details/128507431)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* [（3）扩散模型 Diffusion Model 1-3 重建阶段（上）](https://blog.csdn.net/weixin_43135178/article/details/127909839)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *3* [RePaint: Inpainting using Denoising Diffusion Probabilistic Models 论文解读和感想](https://blog.csdn.net/qq_37614597/article/details/125471843)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]