Tag · 9 篇

单步采样

分布底层视觉与图像复原8生成模型与扩散1

Streaming Diffusion Model for Fast Infrared and Visible Video Fusion

将预训练扩散模型的生成先验蒸馏到单步采样框架，并用记忆增强的潜变量管道与时序聚合适配器保证视频帧间一致性，为视频复原/融合任务提供高效且时序稳定的扩散方案。

Single-step Diffusion-based Video Coding with Semantic-Temporal Guidance

将单步扩散生成器与条件编码框架结合，利用缓冲特征提取帧自适应语义引导替代文本条件，并通过时序一致性引导增强帧间连贯性，为低码率视频压缩提供高效高感知质量的方案。

RenderFlow: Single-Step Neural Rendering via Flow Matching

用流匹配把扩散式神经渲染压成确定性单步前向，并给出稀疏关键帧引导与轻量 adapter 复用同一前向模型做逆渲染（本征分解），可直接迁移到任何需要低延迟、时序一致的生成式渲染或图像到图像回归任务。

Language-Guided One-Step Diffusion Model for Nighttime Flare Removal

把视觉语言模型提取的细粒度文本语义作为条件注入单步扩散，并用语义感知分布蒸馏稳定一步采样，可迁移到其他强退化复原任务（如夜间去雨、去雾、镜头污渍去除）中，用语义先验约束被遮挡区域的生成。

IFCSR: Inference-Free Fidelity-Realism Control for One-Step Diffusion-based Real-World Image Super-Resolution

把保真度-真实感的可调控制从潜空间搬到图像空间，使一次推理后即可无额外推理地连续调节权衡，可直接复用于其他单步扩散复原任务（去噪、去模糊）的可控性设计。

FiDeSR: High-Fidelity and Detail-Preserving One-Step Diffusion Super-Resolution

单步扩散超分中引入潜变量残差修正与高低频自适应增强器，可在不重训练的前提下调节重建保真度与细节，为少步扩散复原提供可复用的推理期增强思路。

Face2Scene: Using Facial Degradation as an Oracle for Diffusion-Based Scene Restoration

把已复原的人脸与退化人脸构成配对，从中提取退化编码，再转成多尺度 token 作为扩散模型的条件，从而用单步扩散复原整幅场景；这一「以局部高质量复原结果反推退化属性、再引导全局复原」的思路，可迁移到其他需要显式退化建模的复原任务。

DUO-VSR: Dual-Stream Distillation for One-Step Video Super-Resolution

把分布匹配蒸馏与对抗监督（RFS-GAN）结合成双流蒸馏，可将任意多步扩散 VSR 模型压缩到单步推理；其渐进式引导蒸馏初始化与偏好引导精修流程，也可迁移到其他扩散复原任务（去噪、去模糊）的少步加速上。

Bridging Fidelity-Reality with Controllable One-Step Diffusion for Image Super-Resolution

可复用的思路有两点：一是用未压缩的 LQ 原始信息做特征调制，为扩散过程提供高保真条件，缓解压缩编码带来的信息损失；二是区域自适应地激活生成先验，并用文本匹配引导对齐语义区域，在单步推理下兼顾感知质量与局部结构保真。