FreqINR：基于自适应 DCT 频率损失的隐式神经表示频率一致性

最近的局部隐式神经表示 (INR) 在处理不同分辨率的图像方面显示出卓越的能力。然而，尤其在较大尺度上，高分辨率 (HR) 图像与真实图像之间的频率差异会导致显著的伪影和模糊。本文引入了基于频率一致性的隐式神经表示 (FreqINR)，这是一种旨在通过确保训练和推理期间谱一致性来增强纹理细节的任意尺度超分辨方法。在训练期间，我们采用自适应离散余弦变换频率损失 (ADFL) 来最小化 HR 与真实图像之间的频率差距，利用二维 DCT 基底并动态聚焦于具有挑战性的频率。在推理期间，我们扩展感受野以保持 LR 与真实图像之间的谱共鸦，这对于模型从 LR 对手中生成高频细节至关重要。实验结果表明，FreqINR 作为一种轻量级方法，相较于现有的任意尺度超分辨方法实现了最新水平，并在计算效率方面显著提升。本方法的代码将公开发布。