具有可学习可逆变换和语义先验的忠实极端图像缩放

由于在 16\times$ 或更高的缩放因子下低分辨率到高分辨率映射的严重不适定性质，最近的大多数极端重新缩放方法都难以保持语义一致的结构并产生真实的细节。为了缓解上述问题，我们提出了 FaithEIR，一种基于扩散的极端图像缩放框架。受奇异值分解的启发，我们开发了可学习的可逆变换，能够在潜在空间中进行可逆的缩小和放大。为了补偿量化导致的信息损失，我们提出了一种自适应细节先验，即一种高频字典，可以捕获训练数据中常见结构的经验平均值。最后，我们设计了一个轻量级像素语义嵌入器，为预训练的扩散模型提供语义条件。我们提供了大量的实验结果，证明我们的 FaithEIR 始终优于最先进的方法，实现了卓越的重建保真度和感知质量。我们的代码、模型权重和详细结果发布在 https://github.com/cshw2021/FaithEIR。