1. Introduction au tutoriel

Chain-of-Zoom (CoZ) est un framework de mise à l'échelle en chaîne, publié par l'équipe de recherche en IA de KAIST le 26 mai 2025. Ce framework résout le problème des modèles modernes de super-résolution d'image unique (SISR) lorsque le grossissement requis dépasse largement les limites spécifiées. Un modèle SR de diffusion standard 4x, intégré au framework CoZ, peut atteindre un grossissement supérieur à 256x tout en conservant une qualité et une fidélité perceptuelles élevées. Les résultats de l'article associé sont les suivants : Chaîne de zoom : super-résolution extrême via l'autorégression d'échelle et l'alignement des préférences .

Les ressources informatiques utilisées dans ce tutoriel sont des RTX 4090 à double carte.

2. Affichage des effets

3. Étapes de l'opération

1. Démarrez le conteneur

2. Étapes d'utilisation

Si « Bad Gateway » s'affiche, cela signifie que le modèle est en cours d'initialisation. Étant donné que le modèle est grand, veuillez patienter environ 2 à 3 minutes et actualiser la page.

Paramètres spécifiques :

• Image d'entrée : Image d'entrée.
• Méthode d'alignement des couleurs :
  • ondelette : aucune correction de couleur n'est effectuée.
  • adain : Correction des couleurs avec normalisation d'instance adaptative.
  • nofix : utilisez la transformée en ondelettes pour une correction des couleurs plus fine.

résultat 

4. Discussion

🖌️ Si vous voyez un projet de haute qualité, veuillez laisser un message en arrière-plan pour le recommander ! De plus, nous avons également créé un groupe d’échange de tutoriels. Bienvenue aux amis pour scanner le code QR et commenter [Tutoriel SD] pour rejoindre le groupe pour discuter de divers problèmes techniques et partager les résultats de l'application↓

Informations sur la citation

Merci à l'utilisateur Github SuperYang  Déploiement de ce tutoriel. Les informations de citation pour ce projet sont les suivantes :

@article{kim2025chain,
  title={Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment},
  author={Kim, Bryan Sangwoo and Kim, Jeongsol and Ye, Jong Chul},
  journal={arXiv preprint arXiv:2505.18600},
  year={2025}
}