Краткое содержание

arXiv:2509.10122v2 Тип объявления: замена Аннотация: Предварительно обученные диффузионные модели продемонстрировали большой потенциал в реальных задачах повышения разрешения изображений (Real-ISR), обеспечивая реконструкцию высокого разрешения. В то время как одношаговые методы диффузии (OSD) значительно повышают эффективность по сравнению с традиционными многошаговыми подходами, они всё ещё имеют ограничения в сбалансированном сочетании точности и реалистичности в различных сценариях. Поскольку OSD-методы для повышения разрешения обычно обучаются или дистиллируются одним временным шагом, они лишены гибких механизмов управления, позволяющих адаптивно расставлять приоритеты между этими конкурирующими целями, что естественным образом достигается в многошаговых методах путём регулировки количества шагов выборки. Для решения этой проблемы мы предлагаем фреймворк Realism Controlled One-step Diffusion (RCOD) для Real-ISR. RCOD предлагает стратегию группировки латентного пространства, обеспечивающую явный контроль над компромиссом между точностью и реализмом во время фазы предсказания шума с минимальными изменениями тренировочного подхода и использованием исходных обучающих данных. A