迈向双向任意图像缩放：联合优化与循环等幂性

基于深度学习的单图像超分辨率模型已被广泛研究，在以固定缩放因子和下采样退化核对低分辨率图像进行上采样方面取得了优异结果。为提高此类模型在真实世界中的适用性，对任意上采样因子优化的模型的兴趣日益增长。我们提出的方法是首个将任意缩放（包括上采样和下采样）作为统一过程处理的方法。利用双向联合优化，所提模型能够同时学习上采样和下采样，并实现双向任意图像缩放。它大幅提升了当前任意上采样模型的性能，同时学会在下采样图像中保持视觉感知质量。进一步表明，所提模型在循环等幂性测试中具有鲁棒性，在重复应用下采样至上采样循环时，重建精度不会出现严重退化。当该循环可能对同一图像多次应用时，这种鲁棒性有利于自然条件下的图像缩放。即便模型未针对此类任务进行训练，它在任意大尺度和非对称尺度测试中也表现良好。进行了大量实验以证明我们模型的优越性能。