学習された事前分布を用いたフローに基づく生成的超解像モデルの性能向上

流れベースの超解像度（SR）モデルは、高品質な画像を生成する能力において驚異的な成果を示している。しかし、これらの手法は画像生成過程において、グリッドアーティファクトや逆変換の発散、固定されたサンプリング温度による最適でない結果といった複数の課題に直面している。本研究では、流れベースSRモデルの推論フェーズに条件付きの学習済み事前分布（learned prior）を導入することで、これらの問題を克服することを目指す。本事前分布は、低解像度画像を条件として、提案する潜在空間モジュールによって予測された潜在コードであり、その後、流れモデルによって高解像度画像へと変換される。本フレームワークは、モデルのアーキテクチャや事前学習済み重みを変更することなく、あらゆる最新の流れベースSRモデルとシームレスに統合可能である。広範な実験およびアブレーション解析を通じて、提案フレームワークの有効性を評価した結果、流れベースSRモデルに内在するすべての問題を効果的に解決し、さまざまなSRシナリオにおいてモデル性能を向上させることに成功した。本研究のコードは以下のURLから公開されている：https://github.com/liyuantsao/BFSR