基于频率结构解耦与区域感知融合的双路径学习用于低光照图像超分辨率
计算机视觉与模式识别
2026-03-31 v1
摘要
低光照图像超分辨率（LLISR）对于在普遍存在的低分辨率设备上，于光照不足条件下恢复精细的视觉细节和感知质量至关重要。尽管先驱方法在单一任务上取得了高性能，但它们以串行方式解决这两个任务，这不可避免地导致伪影放大、纹理抑制和结构退化。为了解决这个问题，我们提出了“解耦然后感知”（DTP），一种新颖的频率感知框架，它将亮度和纹理显式地分离成语义独立的组件，从而实现专门的建模和连贯的重建。具体来说，为了自适应地将输入分离为低频亮度子空间和高频纹理子空间，我们提出了一种频率感知结构解耦（FSD）机制，这为目标表示学习和重建奠定了坚实的基础。基于解耦后的表示，进一步设计了一种语义特定的双路径表示（SDR）学习策略，该策略对每个频率分量执行针对性的增强和重建，促进了鲁棒的亮度调整和细粒度的纹理恢复。为了促进重建输出中的结构一致性和感知对齐，基于这种双路径建模，我们进一步引入了一个跨频率语义重组（CSR）模块，该模块选择性地整合了解耦后的表示。在广泛使用的LLISR基准上进行的大量实验证明了我们DTP框架的优越性，与最先进的（SOTA）算法相比，PSNR提高了+1.6%，SSIM提高了+9.6%，LPIPS降低了-48%。代码发布在https://github.com/JXVision/DTP。
引用
@article{arxiv.2603.27301,
title = {Dual-Path Learning based on Frequency Structural Decoupling and Regional-Aware Fusion for Low-Light Image Super-Resolution},
author = {Ji-Xuan He and Jia-Cheng Zhao and Feng-Qi Cui and Jinyang Huang and Yang Liu and Sirui Zhao and Meng Li and Zhi Liu},
journal= {arXiv preprint arXiv:2603.27301},
year = {2026}
}