ResDiff: इमेज सुपर-रिज़ॉल्यूशन के लिए CNN और डिफ्यूजन मॉडल का संयोजन

डाइफ़्यूजन प्रॉबेबिलिस्टिक मॉडल (DPM) को सीधे इमेज सुपर-रिज़ॉल्यूशन के लिए अपनाना बेकार है, क्योंकि एक साधारण कॉन्वोल्यूशनल न्यूरल नेटवर्क (CNN) मुख्य कम-फ्रीक्वेंसी सामग्री को पुनर्प्राप्त कर सकता है। इसलिए, हम ResDiff प्रस्तुत करते हैं, जो सिंगल इमेज सुपर-रिज़ॉल्यूशन (SISR) के लिए रेसिडुअल संरचना पर आधारित एक नया डिफ्यूजन प्रॉबेबिलिस्टिक मॉडल है। ResDiff एक CNN और DPM के संयोजन का उपयोग करता है, जहाँ CNN प्राथमिक कम-फ्रीक्वेंसी घटकों की पुनर्स्थापना करता है, और DPM ग्राउंड-ट्रुथ इमेज और CNN पूर्वानुमानित इमेज के बीच बचे हुए अंतर को पूर्वानुमानित करता है। आम डिफ्यूजन आधारित विधियों के विपरीत जो सीधे LR स्पेस का उपयोग शोर को HR स्पेस की ओर निर्देशित करने के लिए करती हैं, ResDiff CNN की प्रारंभिक भविष्यवाणी का उपयोग शोर को HR स्पेस और CNN-पूर्वानुमानित स्पेस के बीच बचे हुए स्पेस की ओर निर्देशित करने के लिए करता है, जो न केवल उत्पादन प्रक्रिया को तेज करता है बल्कि उत्कृष्ट नमूना गुणवत्ता भी प्राप्त करता है। अतिरिक्त रूप से, CNN के लिए एक फ्रीक्वेंसी-डोमेन आधारित लॉस फंक्शन प्रस्तुत किया गया है ताकि उसकी पुनर्स्थापना में सहायता हो सके, और उच्च-फ्रीक्वेंसी विवरणों के पूर्वानुमान के लिए DPM के लिए फ्रीक्वेंसी-डोमेन निर्देशित डिफ्यूजन डिज़ाइन किया गया है। कई बेंचमार्क डेटासेट्स पर व्यापक प्रयोगों से पता चलता है कि ResDiff पहले के डिफ्यूजन आधारित तरीकों की तुलना में कम मॉडल अभिसरण समय, बेहतर उत्पादन गुणवत्ता और अधिक विविध नमूने प्रदान करता है।