基于双域适应网络的真实图像超分辨率
计算机视觉与模式识别
2025-11-24 v1
摘要
真实图像超分辨率 (SR) 关注将真实世界低分辨率 (LR) 图像转换为高分辨率 (HR) 图像，处理比合成 SR 任务更复杂的退化模式。这对于监控、医学成像和消费电子等应用至关重要。然而，现有方法在真实世界 LR-HR 数据有限方面受限，影响基本图像特征的学习。来自大规模合成数据集的预训练 SR 模型提供了宝贵的先验知识，可提高泛化性、加快训练速度，并减少对真实世界数据的广泛需求。在本文中，我们引入一种新方法，双域适应网络 (Dual-domain Adaptation Networks)，能够有效地将预训练的图像 SR 模型从模拟数据集适应到真实世界数据集。为实现此目标，我们首先通过有选择地更新预训练模型的参数并采用低秩适应技术来调整冻结参数，构建空间域适应策略。鉴于图像超分辨率涉及恢复高频成分，我们进一步将频域适应分支集成到适应模型中，该分支结合输入的谱数据和空间域主干网络的中间特征，以推断 HR 频率图，从而增强 SR 结果。在包括 RealSR、D2CRealSR 和 DRealSR 在内的公开真实图像 SR 基准数据集上的实验评估表明，我们提出的方法优于现有的领先模型。代码可在 https://github.com/dummerchen/DAN 获取。
引用
@article{arxiv.2511.17217,
title = {Dual-domain Adaptation Networks for Realistic Image Super-resolution},
author = {Chaowei Fang and Bolin Fu and De Cheng and Lechao Cheng and Guanbin Li},
journal= {arXiv preprint arXiv:2511.17217},
year = {2025}
}