CASISR：循环任意尺度图像超分辨率
计算机视觉与模式识别
2026-05-12 v1 机器学习
摘要
基于深度学习的任意尺度图像超分辨率 (ASISR) 方法的泛化性能 (GP) 受限于有限的训练数据集和无限的测试数据集。充分利用测试样本以增强预训练 ASISR 模型的 GP 至关重要。ASISR 模型通常采用从低分辨率 (LR) 图像到超分辨率 (SR) 图像的开环架构。从 SR 样本到 LR 样本的退化模型对于经典 ASISR 是已知的双三次下采样，对于盲 ASISR 是假设的带有加性随机噪声的下采样，而对于真实世界 ASISR 则是可学习的。结合 ASISR 和退化模型，有可能采用基于自动控制理论的闭环架构来增强 ASISR 方法的 GP。因此，本文提出了一种闭环架构，即循环 ASISR (CASISR)，以提升图像重建能力。建立了一个数学非线性循环方程来描述 CASISR，通过条件概率理论证明了 CASISR 的合理性，并通过 Taylor 级数近似证明了 CASISR 的稳定性。定义了一阶和二阶绝对差图像来比较 ASISR 和 CASISR 方法的图像重建性能。全面的仿真实验表明，所提出的 CASISR 方法在图像重建质量上优于八种最先进的 ASISR 方法。特别是，所提出的 CASISR 非常适用于分数 SR 缩放因子，并且对于边缘变化剧烈的文本和条纹图像极其有效。
引用
@article{arxiv.2605.08173,
title = {CASISR: Circular Arbitrary-Scale Image Super-Resolution},
author = {Honggui Li and Zhengyang Zhang and Dingtai Li and Sinan Chen and Nahid Md Lokman Hossain and Xinfeng Xu and Yinlu Qin and Ruobing Wang and Hantao Lu and Yuting Feng and Maria Trocan and Dimitri Galayko and Amara Amara and Mohamad Sawan},
journal= {arXiv preprint arXiv:2605.08173},
year = {2026}
}