隐式扩散模型用于连续超分辨率

图像超分辨率（Image Super-Resolution, SR）因其广泛的应用前景而受到越来越多的关注。然而，现有的SR方法普遍面临过度平滑和伪影等问题，且多数方法仅支持固定的放大倍数。本文提出一种隐式扩散模型（Implicit Diffusion Model, IDM），用于实现高保真度的连续图像超分辨率。IDM在统一的端到端框架中融合了隐式神经表示（Implicit Neural Representation）与去噪扩散模型（Denoising Diffusion Model），其中隐式神经表示被引入解码过程，以学习连续分辨率下的图像表示。此外，本文设计了一种可调控尺度的条件机制，该机制由低分辨率（Low-Resolution, LR）条件网络与缩放因子组成。缩放因子用于调节输出分辨率，并相应地调控低分辨率信息与生成特征在最终输出中的比例，从而实现对连续分辨率需求的灵活适配。大量实验验证了所提IDM的有效性，并表明其在性能上显著优于现有方法。