CASR：面向任意大尺度超分辨率的鲁棒循环框架
计算机视觉与模式识别
2026-05-14 v3
摘要
任意尺度超分辨率 (ASISR) 受到跨尺度分布迁移的根本性限制：一旦推理尺度超出训练范围，噪声、模糊和伪影就会急剧累积。我们从跨尺度分布迁移的角度重新审视这一挑战，提出 CASR，一个简单而高效的循环 SR 框架，将超大推理尺度重新表述为一系列原分布尺度迁移的序列。这种设计确保了在任意尺度下的稳定推理，同时只需训练单个模型。CASR 解决了两个主要瓶颈：跨迭代的分布漂移和 patch-wise 扩散不一致。我们提出的 SSAM 模块通过超像素聚合对结构分布进行对齐，防止误差累积；SARM 模块通过强制关联导向一致性和通过关联对齐来保持自相似结构，以恢复高频纹理。尽管只使用单个模型，我们的方法显著降低了分布漂移，保持了长程纹理一致性，并在极端放大情况下实现了卓越的泛化能力。
引用
@article{arxiv.2602.22159,
title = {CASR: A Robust Cyclic Framework for Arbitrary Large-Scale Super-Resolution with Distribution Alignment and Self-Similarity Awareness},
author = {Wenhao Guo and Zhaoran Zhao and Peng Lu and Sheng Li and Qian Qiao and DeRui Li},
journal= {arXiv preprint arXiv:2602.22159},
year = {2026}
}