基于笔画的循环放大器：任意超大尺度图像超分辨率
计算机视觉与模式识别
2025-06-13 v1 人工智能
摘要
先前的任意尺度图像超分辨率（ASISR）方法在上采样因子超出训练数据覆盖范围时往往会出现显著的性能下降，引入大量模糊。为了解决这一问题，我们提出了一种统一模型——基于笔画的循环放大器（SbCA），用于超大上采样任务。SbCA的核心是笔画向量放大器，它将图像分解为一系列以向量图形表示的笔画以进行放大。然后，细节补全模块也恢复缺失的细节，确保高保真度的图像重建。我们的循环策略通过迭代优化细节，仅训练一次统一的SbCA模型即可实现超大上采样，同时将子尺度保持在训练范围内。我们的方法有效解决了分布漂移问题，消除了伪影、噪声和模糊，生成了高质量的高分辨率超分辨率图像。在合成数据集和真实世界数据集上的实验验证表明，我们的方法在超大上采样任务（例如×100）中显著优于现有方法，视觉质量远超最先进的技术。
引用
@article{arxiv.2506.10774,
title = {Stroke-based Cyclic Amplifier: Image Super-Resolution at Arbitrary Ultra-Large Scales},
author = {Wenhao Guo and Peng Lu and Xujun Peng and Zhaoran Zhao and Sheng Li},
journal= {arXiv preprint arXiv:2506.10774},
year = {2025}
}