基于自适应扩散采样的鲁棒深度超分辨率
计算机视觉与模式识别
2026-02-11 v1
摘要
我们提出AdaDS，一个可泛化的深度超分辨率框架，能够从任意退化的低分辨率输入中鲁棒地恢复高分辨率深度图。与直接回归深度值且在严重或未知退化下常出现伪影的传统方法不同，AdaDS利用了高斯平滑的收缩特性：随着噪声在前向过程中累积，退化输入与其原始高质量对应物之间的分布差异逐渐减小，最终收敛到各向同性高斯先验。基于此，AdaDS根据估计的细化不确定性自适应地选择反向扩散轨迹中的起始时间步，随后注入定制噪声，将中间样本定位到目标后验分布的高概率区域。这种策略确保了固有的鲁棒性，使得预训练扩散模型的生成先验即使在上游估计不完美时也能主导恢复过程。在真实世界和合成基准上的大量实验表明，与最先进方法相比，AdaDS具有卓越的零样本泛化能力和对多种退化模式的鲁棒性。
引用
@article{arxiv.2602.09510,
title = {Robust Depth Super-Resolution via Adaptive Diffusion Sampling},
author = {Kun Wang and Yun Zhu and Pan Zhou and Na Zhao},
journal= {arXiv preprint arXiv:2602.09510},
year = {2026}
}