基于图像条件化流形正则化的图像超分辨率
计算机视觉与模式识别
2026-04-03 v3 人工智能
摘要
现实世界图像超分辨率（Real-ISR）通常利用文本到图像扩散模型的强大生成先验，通过正则化输出以驻留于其学习的流形上来实现。然而，现有方法常常忽视正则化流棱的重要性，通常默认使用文本条件化流棱。这种方法存在两个关键局限性。概念上，它与 Real-ISR 任务不一致，即该任务旨在生成直接关联低质量（LQ）图像的高质量（HQ）图像。实际中，教师模型常常重构出颜色失真和边缘模糊的图像，表明该任务的生成先验存在缺陷。为纠正这些缺陷并实现概念上的对齐，必须采用一种更合适的流棱，其包含来自图像的信息。最直接的方法是直接以原始输入图像为条件，但其高信息密度会导致正则化过程数值不稳定。为解决此问题，我们提出了图像条件化流棱正则化（ICM），该方法以稀疏而关键结构信息（即色彩图和 Canny 边缘的组合）为条件，对输出进行正则化，使其驻留于该流棱上。ICM 提供了任务对齐且数值稳定的正则化信号，从而避免稠密条件化的不稳定性并提升最终的超分辨率质量。我们的实验表明，所提出的正则化显著增强了超分辨率性能，尤其在感知质量方面，充分展示了其在实际应用中的有效性。我们将公开本工作的源代码以便复现。
引用
@article{arxiv.2511.22048,
title = {ICM-SR: Image-Conditioned Manifold Regularization for Image Super-Resolution},
author = {Junoh Kang and Donghun Ryou and Bohyung Han},
journal= {arXiv preprint arXiv:2511.22048},
year = {2026}
}