基于可逆变换和语义先验的忠实极端图像缩放
计算机视觉与模式识别
2026-05-04 v1
摘要
大多数最新方法在极端缩放方面难以保持语义一致的结构并生成真实细节，由于在16倍或更高缩放因子下，低分辨率到高分辨率的映射问题极其不成立。为缓解上述问题，我们提出FaithEIR，一个基于扩散的框架用于极端图像缩放。灵感来自奇点分解，我们开发可逆的可学习变换，使其在潜空间中的下采样和上采样可逆。为补偿量化导致的信息损失，我们提出一种自适应细节先验，一个高频字典捕获训练数据中常见结构的经验平均值。最后，我们设计一个轻量级的像素语义嵌入器，用于为预训练的扩散模型提供语义条件。我们进行了大量实验，表明FaithEIR consistently优于最新方法，实现了卓越的重建保真度和感知质量。我们的代码、模型权重和详细结果已发布于https://github.com/cshw2021/FaithEIR
引用
@article{arxiv.2605.00605,
title = {Faithful Extreme Image Rescaling with Learnable Reversible Transformation and Semantic Priors},
author = {Hao Wei and Yanhui Zhou and Chenyang Ge and Saeed Anwar and Ajmal Mian},
journal= {arXiv preprint arXiv:2605.00605},
year = {2026}
}