Lingchen Sun

你好，感谢你对我们的工作感兴趣！ 推理过程中 x_T 是纯噪声。x_T 到 x_max 这一步是为了直接从 LR 图片中提取信息。因为复原和生成不同，复原中的 LR 中已经包含了很多信息，不需要再像生成任务一样每个 pixel 都'从 0 生成'。因此提取完信息以后，类比于已经达到了 diffusion process 的中间步骤。因此不需要再 x_T 逐步去噪。这样做的好处是：随机性减少了，质量更加稳定，并且还可以加速。 'LR加对应噪声得到x_tmax' 这个想法很有意思，我们目前没有做过相关的验证实验。但是我觉得，这种方法可能受 LR 退化程度影响更大。如果你有有意思的发现，欢迎进一步交流讨论！

你好！感谢你对我们的发现感兴趣。 在 model/q_sampler 中有个 _predict_xstart_from_eps 函数。输入带噪的 xt 和估计出来的噪声，可以获得对应的估计出来的无噪的 x0。 我们在Figure.1 的测试都是基于每个步数估计出来的无噪的 x0 做的。

你好！我已经重新修改了代码，请再次尝试一下看看问题有没有得到解决。 感谢你的指正！

你好，非常感谢你对我们工作的认可。 这个过程是先从 Xt_min 估计 t_min 时刻的噪声，再通过估计的噪声和 Xt_min 来估计 t_min 时刻的 X0。 最后， 直接输出t_min 时刻的 X0作为 diffusion 的最终结果，将该结果送入 VAE decoder 做进一步的增强。

你好！我们后面的消融实验发现：更少的步数，以及不同的 t_max 和 t_min 的组合会带来不同的超分效果。这个部分还是有一些可以挖掘的地方，欢迎一起交流讨论。 我们在 Table2 给出的是所有模型的参数量。StableSR 的 Table4 是可训练模型的参数量。因为在训练的时候有相当一部分的模型参数都是冻住的，所以这两个参数量相差比较大。

Hi, the problem seems to be caused by the version of pytorch_lightning. My environment information: pytorch-lightning Version: 1.4.2, torch Version: 2.0.1+cu118, Python Version: 3.10.10. You can re-install the corresponding version...

The versions of torchmetrics and torchvision are 0.6.0 and 0.15.2+cu118. You can try this setting.

Hi, thanks for your interest in our work! In our inference code of 'inference_ccsr.py', the input is resized to 512 by default. Under the default settings, the size of the...

You can use the tiling function by modifying the 'tiled' from 'store_true' to 'store_false' in 'inference_ccsr.py'. You can also choose appropriate 'tile_size' and 'tile_stride' according to your GPU memory and...

Hello. The padding strategy is used in 'inference_ccsr.py' to make the input LR image size be a multiple of 64, which may be the reason of this problem. We have...