无需训练，这个新方法实现了生成图像尺寸、分辨率自由
Air Explorer Pro是一款跨平台多网盘管理工具，可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
近期，扩散模型凭借其出色的性能已超越GAN和自回归模型，成为生成式模型的主流选择。基于扩散模型的文本到图像生成模型（如SD、SDXL、Midjourney和Imagen）展现了生成高质量图像的惊人能力。通常，这些模型在特定分辨率下进行训练，以确保在现有硬件上实现高效处理和精确的模型训练。图1:采用不同方法在SDXL1.0下生成2048×2048图像的对比。[1]在这些扩散模型中，经常会出现模式重复和严重的人工伪影（artifacts）问题。例如图1最左侧所示。超出训练分辨率时，这些问题尤其突出。来自香港中
近期，扩散模型凭借其出色的性能已超越 GAN 和自回归模型，成为生成式模型的主流选择。基于扩散模型的文本到图像生成模型（如 SD、SDXL、Midjourney 和 Imagen）展现了生成高质量图像的惊人能力。通常，这些模型在特定分辨率下进行训练，以确保在现有硬件上实现高效处理和精确的模型训练。
图 1 : 采用不同方法在 SDXL 1.0 下生成 2048×2048 图像的对比。[1]
在这些扩散模型中，经常会出现模式重复和严重的人工伪影（artifacts）问题。例如图1最左侧所示。超出训练分辨率时，这些问题尤其突出。
来自香港中文大学商汤科技联合实验室等机构的研究人员在一篇论文中深入研究了扩散模型中常用的UNet结构的卷积层，并从频域分析的角度提出了FouriScale，如图2所示。
图 2 FouriScale 的流程（橙色线）示意图，目的是保证跨分辨率的一致性。
通过引入空洞卷积操作和低通滤波操作来替换预训练扩散模型中的原始卷积层，能够在实现不同分辨率下的结构和尺度一致性。配合「填充然后裁剪」策略，该方法能够灵活生成符合不同尺寸和长宽比的图像。此外，借助FouriScale作为指导，该方法在生成任意尺寸的高分辨率图像时，能够保证完整的图像结构和卓越的图像质量。FouriScale 无需任何离线预测计算，具有良好的兼容性和可扩展性。
定量和定性实验结果表明，FouriScale 在利用预训练扩散模型生成高分辨率图像方面取得了显著提升。
- 论文地址：https://arxiv.org/abs/2403.12963
- 开源代码：https://github.com/LeonHLJ/FouriScale
- 论文标题：FouriScale: A Frequency Perspective on Training-Free High-Resolution Image Synthesis
方法介绍
1、空洞卷积保证跨分辨率下的结构一致性
扩散模型的去噪网络通常是在特定分辨率的图像或潜在空间上训练的，这个网络通常采用 U-Net 结构。作者的目标是在推理阶段使用去噪网络的参数生成分辨率更高的图像，而无需重新训练。为了避免推理分辨率下的结构失真，作者尝试在默认分辨率和高分辨率之间建立结构一致性。对于 U-Net 中的卷积层，结构一致性可表述为：
其中 k 是原本的卷积核，k' 是为更大分辨率定制的新卷积核。根据空间下采样的频域表示，如下：
可以将公式（3）写为：
这个公式表明了理想卷积核 k' 的傅里叶频谱应该是由 s×s 个卷积核 k 的傅里叶频谱拼接而成的。换句话说，k' 的傅里叶频谱应该有周期性重复，这个重复模式是 k 的傅里叶频谱。
广泛使用的空洞卷积正好满足这个要求。空洞卷积的频域周期性可以通过下式表示：
当利用预训练扩散模型（训练分辨率为（h,w））生成 (H,W) 的高分辨率图像时，空洞卷积的参数使用原始卷积核，扩张因子为 (H/h, W/w)，是理想的卷积核 k'。
2、低通滤波保证跨分辨率下的尺度一致性
然而，只利用空洞卷积无法完美地解决问题，如图 3 左上角所示，只使用空洞卷积仍然在细节上存在模式重复的现象。作者认为这是因为空间下采样的频率混叠现象改变了频域分量，导致了不同分辨率下频域分布的差异。为了保证跨分辨率下的尺度一致性，他们引入了低通滤波来过滤掉高频分量，以去除空间下采样后的频率混叠问题。从图 3 右侧对比曲线可以看到，在使用低通滤波后，高低分辨率下的频率分布更加接近，从而保证了尺度一致。从图 3 左下角图看到，在使用低通滤波后，细节的模式重复现象有明显地改善。
图 3 (a) 是否采用低通滤波的视觉对比。（b）不采用低通滤波的傅立叶相对对数幅值曲线。(c) 采用低通滤波的傅立叶相对对数幅值曲线。
3、适应于任意尺寸的图像生成
以上的方式只能适应于生成分辨率与默认推理分辨率的长宽比一致时，为了使 FouriScale 适应于任意尺寸的图像生成，作者采用了一种「填充然后裁剪」的方式，方法 1 中展示了结合了该策略的 FouriScale 的伪代码.
4、FouriScale 引导
由于 FouriScale 中的频域操作，不可避免的使生成的图像出现了细节缺失与不期望的伪影问题。为了解决这一问题，如图 4，作者提出了将 FouriScale 作为引导的方式。具体来说，在原本的条件生成估计以及无条件生成估计的基础上，他们引入一个额外的条件生成估计。这个额外的条件生成估计的生成过程同样采用空洞卷积，但是使用更加温和的低通滤波，从而保证细节不丢失。同时他们将利用 FouriScale 输出的条件生成估计中的注意力分数替换掉这一额外的条件生成估计中的注意力分数，由于注意力分数包含着生成图像中的结构信息，这一操作将 FouriScale 中正确的图像结构信息引入，同时保证了图像质量。
图 4 (a) FouriScale 引导示意图。（b）不采用 FouriScale 作为引导的生成图像，有明显的伪影和细节错误。(c) 采用 FouriScale 作为引导的生成图像。
实验
1. 定量试验结果
作者遵循 [1] 的方法，测试了三个文生图模型（包括 SD 1.5，SD 2.1 和 SDXL 1.0），生成四种更高分辨率的图像。测试的分辨率是它们各自训练分辨率的 4 倍、6.25 倍、8 倍和 16 倍像素数量。在 Laion-5B 上随机采样 30000/10000 个图文对测试的结果如表 1 所示：
表 1 不同的无需训练方法的定量结果对比
他们的方法在各个预训练模型，不同分辨率下都获得了最优的结果。
2. 定性试验结果
如图 5 所示，他们的方法在各个预训练模型，不同分辨率下都能够保证图像生成质量与一致的结构。
图 5 不同的无需训练方法的生成图像对比
结论
本文提出了 FouriScale 用于增强预训练扩散模型生成高分辨率图像的能力。FouriScale 从频域分析出来，通过空洞卷积和低通滤波操作改善了不同分辨率下的结构和尺度一致性，解决了重复模式和结构失真等关键挑战。采用「填充然后裁剪」策略并利用 FouriScale 作为指导，增强了文本到图像生成的灵活性和生成质量，同时适应了不同的长宽比生成。定量和定性的实验对比表明，FouriScale 能够在不同预训练模型，不同分辨率下都能够保证更高的图像生成质量。
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。