KernelFusion：基于补丁扩散的无假设式盲图案超分辨方法
计算机视觉与模式识别
2025-03-31 v1
摘要
传统的超分辨率 (SR) 方法假设在高分辨率 (HR) 图像与低分辨率 (LR) 图像之间存在一种“理想”的下采样 SR 内核（例如双立方下采样）。当 LR 图像采用不同方式生成时，这些方法便失效。当前的盲 SR 方法旨在消除此假设，但仍受限于相当简单的数值下采样 SR 内核（例如各向异性高斯内核），无法处理更复杂（超出分布）的下采样退化。然而，使用正确的 SR 内核比使用复杂的 SR 算法更为重要。在“KernelFusion”中，我们引入一种零样本基于扩散的方法，无需对内核进行任何假设。该方法直接从 LR 输入图像中恢复其独特的图像特定 SR 内核，同时恢复其对应的 HR 图像。KernelFusion 利用正确 SR 内核可最大化跨尺度 LR 图像中补丁相似性这一原理。我们首先在单个 LR 输入图像上训练基于补丁的扩散模型，捕获其独特的内部补丁统计信息。随后在保持这种跨尺度关系的前提下，使用所学的补丁分布重建更大的 HR 图像，同时恢复正确的下采样 SR 内核。实验结果表明，KernelFusion 在复杂下采样退化场景下远超所有 SR 基线方法，现有最先进的盲 SR 方法在此场景下完全失效。通过摆脱预定义内核假设，KernelFusion 将盲 SR 推向新的无假设范式，处理此前被认为不可能的下采样内核。
引用
@article{arxiv.2503.21907,
title = {KernelFusion: Assumption-Free Blind Super-Resolution via Patch Diffusion},
author = {Oliver Heinimann and Assaf Shocher and Tal Zimbalist and Michal Irani},
journal= {arXiv preprint arXiv:2503.21907},
year = {2025}
}