多任务学习中受控数据再平衡用于现实世界图像超分辨率
计算机视觉与模式识别
2025-06-09 v1
摘要
现实世界图像超分辨率（Real-SR）是由于低分辨率图像中复杂退化模式而具有挑战性的问题。不同于那些假设退化空间广泛覆盖的ethods，我们专注于在固定退化空间内实现SR网络处理不同退化模式的最优平衡。我们提出了改进后的范式，将Real-SR定义为数据异构的多任务学习问题。我们的工作通过在任务定义、失衡量化和自适应数据再平衡三个方面的协调性进展来解决该范式中的任务失衡问题。具体而言，我们引入了一种新颖的任务定义框架，通过为退化算子设置参数特定的边界来细分退化空间，有效地减少了任务数量，同时保持了任务的判别性。随后，我们开发了基于焦点损失的多任务加权机制，以精确量化模型训练期间的任务失衡动态。 Furthermore, 为了防止偶发异常样本主导共享多任务SR模型的梯度优化，我们策略性地将量化的任务失衡转化为受控的数据再平衡，通过 deliberate regulation of task-specific training volumes。大量定量和定性实验表明，我们的方法在所有退化任务上均实现了一致的优势。
引用
@article{arxiv.2506.05607,
title = {Controlled Data Rebalancing in Multi-Task Learning for Real-World Image Super-Resolution},
author = {Shuchen Lin and Mingtao Feng and Weisheng Dong and Fangfang Wu and Jianqiao Luo and Yaonan Wang and Guangming Shi},
journal= {arXiv preprint arXiv:2506.05607},
year = {2025}
}