基于可学习可分离核的单图像超分辨率频率提升
计算机视觉与模式识别
2025-07-28 v2 多媒体
摘要
现有方法常通过包含特定损失函数等辅助结构来间接提升单图像超分辨率 (SISR) 方法的性能，以间接提高低分辨率图像的质量。本文提出一种可插即用的模块，称为可学习可分离核 (LSK)，其形式上为秩一矩阵，旨在直接增强图像频率成分。我们从频率角度解释了 LSK 为何特别适用于 SISR 任务。采用 LSK 的基线方法在参数数量和计算需求方面显著降低超过 60%。这种降低通过将 LSK 分解为正交且可合并的一维核实现。此外，我们对 LSK 生成的特征图进行可解释性分析。可视化结果揭示了 LSK 有效提升图像频率成分的能力。广泛实验表明，引入 LSK 不仅减少参数和计算负担，还提升整体模型性能。而且，这些实验表明，利用 LSK 的模型在放大因子增大时表现尤为突出。
引用
@article{arxiv.2506.04555,
title = {Enhancing Frequency for Single Image Super-Resolution with Learnable Separable Kernels},
author = {Heng Tian},
journal= {arXiv preprint arXiv:2506.04555},
year = {2025}
}