RectifiedHR: Effiziente Generierung hochauflösender Bilder durch Energie-Rektifizierung

RectifiedHR: Enable Efficient High-Resolution Image Generation via Energy Rectification

March 4, 2025

Autoren: Zhen Yang, Guibao Shen, Liang Hou, Mushui Liu, Luozhou Wang, Xin Tao, Pengfei Wan, Di Zhang, Ying-Cong Chen

cs.AI

Zusammenfassung

Diffusionsmodelle haben bemerkenswerte Fortschritte in verschiedenen Bildgenerierungsaufgaben erzielt. Ihre Leistung nimmt jedoch deutlich ab, wenn Bilder in höheren Auflösungen generiert werden sollen, als sie während des Trainings verwendet wurden. Obwohl es zahlreiche Methoden zur Erzeugung hochauflösender Bilder gibt, leiden diese entweder unter Ineffizienz oder werden durch komplexe Operationen behindert. In diesem Artikel schlagen wir RectifiedHR vor, eine effiziente und unkomplizierte Lösung für das trainingsfreie Generieren hochauflösender Bilder. Insbesondere führen wir die Noise-Refresh-Strategie ein, die theoretisch nur wenige Codezeilen benötigt, um die Fähigkeit des Modells zur Hochauflösungsgenerierung freizuschalten und die Effizienz zu verbessern. Zudem beobachten wir erstmals das Phänomen des Energieabbaus, das während des Prozesses der Hochauflösungsbildgenerierung zu Unschärfe führen kann. Um dieses Problem zu lösen, schlagen wir eine Energy-Rectification-Strategie vor, bei der die Anpassung der Hyperparameter des Classifier-Free-Guidance die Generierungsleistung effektiv verbessert. Unsere Methode ist vollständig trainingsfrei und zeichnet sich durch eine einfache Implementierungslogik aus. Durch umfangreiche Vergleiche mit zahllichen Baseline-Methoden zeigt unser RectifiedHR überlegene Wirksamkeit und Effizienz.

English

Diffusion models have achieved remarkable advances in various image generation tasks. However, their performance notably declines when generating images at resolutions higher than those used during the training period. Despite the existence of numerous methods for producing high-resolution images, they either suffer from inefficiency or are hindered by complex operations. In this paper, we propose RectifiedHR, an efficient and straightforward solution for training-free high-resolution image generation. Specifically, we introduce the noise refresh strategy, which theoretically only requires a few lines of code to unlock the model's high-resolution generation ability and improve efficiency. Additionally, we first observe the phenomenon of energy decay that may cause image blurriness during the high-resolution image generation process. To address this issue, we propose an Energy Rectification strategy, where modifying the hyperparameters of the classifier-free guidance effectively improves the generation performance. Our method is entirely training-free and boasts a simple implementation logic. Through extensive comparisons with numerous baseline methods, our RectifiedHR demonstrates superior effectiveness and efficiency.