DACESR: 面向实际图像超分辨率的退化感知条件嵌入
计算机视觉与模式识别
2026-03-02 v1
摘要
多模态大模型在解决实际场景下的图像超分辨率问题时，凭借将语言类别作为条件信息的能力表现优异，但在处理退化图像方面的能力仍受限。本文首先重访了 Recognize Anything Model (RAM) 在退化图像上的能力，通过计算文本相似度进行评估。我们发现直接使用对比学习在退化空间微调 RAM 难以获得令人满意的结果。为此，我们采用退化选择策略提出了 Real Embedding Extractor (REE)，通过对比学习在退化图像内容上实现显著的识别性能提升。此外，我们使用 Conditional Feature Modulator (CFM) 将 REE 的高级信息融入强大的 Mamba 网络，该网络能够利用有效的像素信息恢复图像纹理并生成视觉上令人满意的结果。广泛的实验表明，REE 能有效帮助图像超分辨率网络在保真度和感知质量之间取得平衡，凸显了 Mamba 在实际应用中的巨大潜力。本工作的源码将公开发布于: https://github.com/nathan66666/DACESR.git
引用
@article{arxiv.2602.23890,
title = {DACESR: Degradation-Aware Conditional Embedding for Real-World Image Super-Resolution},
author = {Xiaoyan Lei and Wenlong Zhang and Biao Luo and Hui Liang and Weifeng Cao and Qiuting Lin},
journal= {arXiv preprint arXiv:2602.23890},
year = {2026}
}
备注
Accepted by TIP