HIIF：基于分层编码的隐式图像函数用于连续超分辨率
计算机视觉与模式识别
2026-01-27 v1
摘要
近期的隐式神经表示（INR）在 various low-vision 任务中建模视觉信号方面显示出巨大的潜力，包括图像超分辨率（ISR）。基于INR的ISR方法通常学习连续表示，能够灵活地从低分辨率图像生成任意所需尺度的高分辨率图像。然而，现有的INR-based ISR方法使用多层感知器进行网络参数化，这并未考虑局部采样点中存在的分层结构，从而限制了表示能力。本文提出了一种新的基于分层编码的隐式图像函数（Hierarchical Encoding based Implicit Image Function，HIIF），用于连续图像超分辨率。HIIF利用 novel 分层位置编码来增强局部隐式表示，使其能够在多个尺度上捕获细节。我们的方法还通过引入额外的非局域信息，在隐式注意力网络中嵌入多头线性注意力机制。我们的实验表明，集成不同 backbone 编码器的 HIIF 在 PSNR 上较当前沉浸式图像超分辨率方法高出最高可达 0.17dB。HIIF 的源代码将在 \url{www.github.com} 上公开获取。
引用
@article{arxiv.2412.03748,
title = {HIIF: Hierarchical Encoding based Implicit Image Function for Continuous Super-resolution},
author = {Yuxuan Jiang and Ho Man Kwan and Tianhao Peng and Ge Gao and Fan Zhang and Xiaoqing Zhu and Joel Sole and David Bull},
journal= {arXiv preprint arXiv:2412.03748},
year = {2026}
}