# Augmentacja obrazu warunkującego

EN: **Conditioning augmentation for cascaded diffusion** · id `condaugment` · aliases: conditioning augmentation, condition noise augmentation, augmentacja warunku

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Sieci i modele generatywne](https://aiatlasgraph.com/t/neural.md) › [Rodziny modeli generatywnych](https://aiatlasgraph.com/t/generative.md) › [Modele dyfuzyjne](https://aiatlasgraph.com/t/diffusion.md) › [Kaskadowe modele dyfuzyjne](https://aiatlasgraph.com/t/cascadediff.md) › Augmentacja obrazu warunkującego

## Description

- PL: Zniekształcanie niskiej rozdzielczości w treningu modeli super-rozdzielczości.
- EN: Corrupting the low-resolution input while training super-resolution models.

## In one sentence

- PL: Model powiększania ćwiczy na celowo zniekształconym szkicu, żeby nie kopiował jego błędów.
- EN: An upscaling model trains on a deliberately distorted sketch so it does not copy its errors.

## Problem it solves

- PL: Czysty szkic z danych różni się od szkicu, który naprawdę wygeneruje poprzedni model.
- EN: A clean sketch from the data differs from the sketch the previous model will actually generate.

## What it does

- PL: W treningu lekko psuje i rozmywa obraz wejściowy, więc model uczy się poprawiać, a nie tylko ślepo powiększać.
- EN: Training lightly corrupts and blurs the input image, so the model learns to repair rather than blindly enlarge.

## Everyday example

- PL: Mały szkic ma krzywą krawędź kubka, a model powiększania i tak ją prostuje, bo widział podobne usterki w ćwiczeniach.
- EN: A small sketch has a bent cup edge, and the upscaler still straightens it because it saw similar flaws in training.

## This concerns you if you…

- PL: powiększenie wiernie kopiuje błędy szkicu
- PL: składasz kilka modeli o rosnącej rozdzielczości
- PL: wynik kaskady rozjeżdża się dopiero na końcu
- EN: upscaling faithfully copies sketch errors
- EN: you chain several models of rising resolution
- EN: the cascade only falls apart at the last stage

## Keywords

conditioning augmentation · cascaded super-resolution · noise conditioning augmentation · compounding error · low-resolution conditioning

## How it works

- PL: Niskorozdzielcze wejście modelu super-rozdzielczości jest podczas treningu celowo perturbowane. Model uczy się dzięki temu warunkowego rozkładu odporniejszego na niedoskonałości próbek z poprzedniego etapu, co ogranicza kumulację błędów w kaskadzie.
- EN: The low-resolution input to the super-resolution model is deliberately perturbed during training. This teaches a conditional distribution that is more robust to imperfections in samples from the preceding stage, reducing error compounding across the cascade.

## Limits

- PL: Poziom i rodzaj perturbacji trzeba dostroić: zbyt słaba nie pokrywa błędów poprzedniego etapu, a zbyt silna może osłabić zgodność z układem wejściowym. Metoda ogranicza przesunięcie rozkładu, lecz nie gwarantuje naprawy każdej sprzeczności.
- EN: Perturbation strength and type must be tuned: too weak does not cover errors from the preceding stage, while too strong can weaken fidelity to the input layout. The method reduces distribution shift but cannot guarantee repair of every inconsistency.

## Key terms

- PL: **obraz warunkujący**: Mniejszy szkic, według którego model dopisuje szczegóły.
- PL: **degradacja**: Celowe pogorszenie wejścia, na przykład szumem albo rozmyciem.
- PL: **rozkład warunkowy**: Rozkład obrazu wynikowego przy zadanym szkicu wejściowym.
- EN: **conditioning image**: The smaller sketch according to which the model adds detail.
- EN: **degradation**: Deliberately worsening the input, for example with noise or blur.
- EN: **conditional distribution**: The distribution of the output image given an input sketch.

## Know first

- [Powiększanie i naprawa zdjęć (super-rozdzielczość) (Image upscaling and restoration (super-resolution))](https://aiatlasgraph.com/t/imagerestoration.md)
- [Zaszumianie i odszumianie krok po kroku (DDPM) (Forward noising and learned denoising (DDPM))](https://aiatlasgraph.com/t/ddpm.md)

## Sources

- [Cascaded Diffusion Models for High Fidelity Image Generation](<https://arxiv.org/abs/2106.15282>) `cascaded-diffusion-2021` · by Jonathan Ho, Chitwan Saharia, William Chan, David J. Fleet, Mohammad Norouzi, Tim Salimans

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/condaugment · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30