通过 LR 条件 SplitMeanFlow 和 GAN 细化从噪声开始的一步式现实世界超分辨率

预训练的文本到图像（T2I）扩散模型在现实世界图像超分辨率（Real-ISR）方面显示出强大的潜力，因为它们的噪声启动生成过程可以实现真实的纹理合成并捕获超分辨率的一对多性质。然而，基于扩散的 Real-ISR 方法仍然面临着基本的效率与质量的权衡。多步方法通过在 LR 条件下迭代地对随机高斯噪声进行去噪来生成高质量的结果，但采样速度较慢。最近的一步方法极大地提高了效率，但它们通常用直接 LR 到 HR 恢复来代替噪声启动的生成，这削弱了随机性并限制了真实的细节合成。为了解决这个问题，我们提出了 SMFSR，这是一种通过 LR 条件的 SplitMeanFlow 和 GAN 细化的噪声启动单步 Real-ISR 框架。 SMFSR 保留扩散模型的随机噪声起点，并学习以 LR 图像为条件的直接噪声到 HR 映射。为此，间隔分裂一致性将多步生成轨迹提炼为单个平均速度预测，从而实现高效的单步生成。为了弥补渐进细化机会的减少，我们进一步引入了 GAN 细化阶段，其中基于 DINOv3 的鉴别器增强了真实的纹理合成，而变分分数 蒸馏 将生成的输出与冻结扩散教师下的自然图像分布对齐。大量实验表明，SMFSR 在基于单步扩散的 Real-ISR 方法中实现了最先进的感知质量，同时保留了快速单步推理。