旋转等价性任意尺度图像超分辨率

任意尺度图像超分辨率 (ASISR) 是计算机视觉领域的近期热门话题，旨在从低分辨率输入图像中实现任意尺度的高分辨率恢复。该任务通过将图像表示为连续隐式函数来实现，包含两个基本模块：基于深度网络的编码器和隐式神经表示 (INR) 模块。尽管取得了显著进展，但这种高度不确定的设置面临一个关键挑战：许多常见几何模式（如重复纹理、边缘或形状）在低分辨率图像中会被严重扭曲和变形，自然导致其高分辨率恢复中出现意外的伪影。因此，将旋转等价性嵌入 ASISR 网络是必要的，因为这已被广泛证明能够使恢复更忠实地保持几何图案在输入图像中的原始方向和结构完整性。针对此动机，我们在本研究中致力于构建一种旋转等价的 ASISR 方法。具体而言，我们精心重新设计了 INR 和编码器模块的基本架构，纳入了超越常规 ASISR 网络的固有旋转等价性能力。通过这种改进，ASISR 网络首次能够从输入到输出实现端到端的旋转等价性。我们还提供了严格的理论分析来评估其固有的等价性误差，证明其自身嵌入此类等价性结构的本质。通过在模拟数据集和真实数据集上的实验，我们证明了所提出方法的优越性。我们还验证了该框架可以轻松集成到当前的 ASISR 方法中，以以插件方式进一步提升其性能。