SRGAN-CKAN：基于最小资源下的非线性函数算子实现表达型超分辨率
计算机视觉与模式识别
2026-05-11 v2 人工智能
摘要
单图超分辨率（SISR）旨在从低分辨率（LR）观测重建高分辨率（HR）图像，这是一个在大尺度放大因子下高频细节严重退化的根本不确定问题。最近的进展由基于变换器的体系结构和扩散模型驱动，提高了全局上下文建模和感知质量，但代价是计算复杂度的增加。相反，本文聚焦于在最小资源下增强局部算子的表达性。我们提出了 SRGAN--CKAN，一个将卷积Kolmogorov-Arnold网络（CKAN）集成到对抗学习设置中的混合超分辨率框架，将卷积重新表述为基于补丁的非线性变换。该算子将线性局部映射替换为样条基函数表示，允许使用最小硬件资源对复杂的局部结构和高频纹理进行表达建模。实验结果表明，所提出的方法在保持重构保真度的同时提高了感知质量，在基于失真和感知指标之间取得了有利的平衡。这些结果是在受限计算环境下获得的，突显了所提出方案的效率。总体而言，本工作引入了一种补充现有方法的方向，通过改进局部变换的表征能力，提供了一个高效且可扩展的全球密集型体系结构的替代方案。
引用
@article{arxiv.2605.01459,
title = {SRGAN-CKAN: Expressive Super-Resolution with Nonlinear Functional Operators under Minimal Resources},
author = {Roberto Isai Navaro-Aviña and Eduardo Said Merin-Martinez and Andres Mendez-Vazquez and Eduardo Rodriguez-Tello},
journal= {arXiv preprint arXiv:2605.01459},
year = {2026}
}