摘要

基于流的超分辨率（Flow-based Super-Resolution, SR）模型在生成高质量图像方面展现出惊人的能力。然而，这类方法在图像生成过程中仍面临诸多挑战，包括网格伪影（grid artifacts）、逆变换发散（exploding inverses）以及由于固定采样温度导致的次优结果等问题。为解决上述问题，本文在基于流的SR模型的推理阶段引入了一种条件化的可学习先验（conditional learned prior）。该先验由我们提出的潜在模块根据低分辨率图像预测得到一个潜在编码（latent code），随后由流模型将该编码转换为高分辨率图像。所提出的框架可无缝集成至任何现有的基于流的SR模型中，无需修改其网络架构或预训练权重。通过大量实验与消融分析，我们验证了所提框架的有效性。结果表明，该框架能够有效解决基于流的SR模型固有的各类问题，并显著提升其在多种超分辨率场景下的性能表现。相关代码已开源，地址为：https://github.com/liyuantsao/BFSR