DroneSR：从无人机视角重新思考少样本热成像图像超分辨率
计算机视觉与模式识别
2025-09-03 v1
摘要
虽然大规模模型在性能上取得了显著的改进，但过拟合问题仍频繁地削弱其泛化能力。在图像超分辨率任务中，代表性生成模型（如扩散模型）通常采用大规模架构。然而，少样本无人机捕获的红外训练数据会在大规模架构上引发严重的过拟合。为此，我们的方法提出了一种新的高斯量化表示学习方法，针对扩散模型设计，可缓解过拟合并增强鲁棒性。同时，一种有效的监控机制在训练期间跟踪大规模架构，以检测过拟合的迹象。通过引入高斯量化表示学习，我们的方法在保持架构复杂度的同时有效减少了过拟合。在此基础上，我们构建了一个用于检测的多源无人机基于热成像图像基准数据集，并用以强调在少样本、无人机基于多样化场景中大规模架构过拟合问题。为验证该方法在缓解过拟合方面的有效性，在所构建的基准上进行了实验。实验结果表明，我们的方法优于现有的超分辨率方法，在复杂条件下显著减轻了大规模架构的过拟合。代码和 DroneSR 数据集将在：https://github.com/wengzp1/GARLSR 上提供。
引用
@article{arxiv.2509.01898,
title = {DroneSR: Rethinking Few-shot Thermal Image Super-Resolution from Drone-based Perspective},
author = {Zhipeng Weng and Xiaopeng Liu and Ce Liu and Xingyuan Guo and Yukai Shi and Liang Lin},
journal= {arXiv preprint arXiv:2509.01898},
year = {2025}
}