Bild-Super-Resolution (SR) hat aufgrund ihrer vielfältigen Anwendungen zunehmende Aufmerksamkeit erhalten. Allerdings leiden aktuelle SR-Methoden im Allgemeinen unter Überglättung und Artefakten, und die meisten Ansätze arbeiten nur mit festen Vergrößerungsfaktoren. In diesem Artikel stellen wir einen impliziten Diffusionsmodell (IDM) für eine hochfidele, kontinuierliche Bild-Super-Resolution vor. Das IDM integriert eine implizite neuronale Repräsentation und ein Rauschunterdrückungs-Diffusionsmodell in einem einheitlichen end-to-end-Framework, wobei die implizite neuronale Repräsentation im Dekodierungsprozess eingesetzt wird, um eine kontinuierliche Auflösungsrepräsentation zu lernen. Darüber hinaus entwickeln wir eine skalenkontrollierbare Bedingungsmechanik, die aus einem Low-Resolution-(LR)-Bedingungsnetzwerk und einem Skalierungsfaktor besteht. Der Skalierungsfaktor regelt die Auflösung und moduliert entsprechend das Verhältnis zwischen LR-Information und generierten Merkmalen im finalen Ausgabeergebnis, wodurch das Modell die Anforderungen an kontinuierliche Auflösungen effektiv erfüllen kann. Umfangreiche Experimente bestätigen die Wirksamkeit unseres IDM und belegen dessen überlegene Leistung gegenüber vorherigen Ansätzen.