基于强分支补偿的单图像超分辨训练-free 模型集成
计算机视觉与模式识别
2026-04-28 v2
摘要
单图像超分辨技术从深层卷积基线发展到更强的Transformer和时序空间架构，但相应的性能提升通常伴随更高的训练成本、更长的工程迭代周期和更重的部署负担。在许多实际场景中，已经存在多个具有部分互补行为的预训练模型，关键约束不在于模型架构容量，而在于如何有效地在不进行额外训练的情况下组合其输出。本文提出一种训练-free 输出级集成框架。构建双分支管道，其中带有TLC推理的Hybrid attention 网络提供稳定的主干重建，而MambaIRv2分支通过几何自集成提供强大的高频细节恢复补偿。两个分支独立处理相同的低分辨率输入，在图像空间通过轻量级加权组合进行融合，无需更新任何模型参数或引入额外的可训练模块。在NTIRE 2026 图像超分辨（×4）挑战中，该方案持续优于主分支，在统一的DIV2K双三次×4评估协议下，以轻微超越纯强分支的PSNR表现。消融实验确认，输出级补偿为现有超分辨系统提供了低开销且实用可访问的升级路径。
引用
@article{arxiv.2604.11564,
title = {Training-Free Model Ensemble for Single-Image Super-Resolution via Strong-Branch Compensation},
author = {Gengjia Chang and Xining Ge and Weijun Yuan and Zhan Li and Qiurong Song and Luen Zhu and Shuhong Liu},
journal= {arXiv preprint arXiv:2604.11564},
year = {2026}
}