Unsupervised Degradation Learning for Single Image Super-Resolution
Tianjin University(天津大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
深度卷积神经网络(CNN)最近在单图像超分辨率(SR)上取得了显著的性能。然而,现有的基于CNN的方法使用人工合成的低分辨率(LR)和高分辨率(HR)图像对来训练网络,这不能处理真实世界的情况,因为从HR到LR的降级比手动设计复杂得多。为了解决这个问题,本文提出了一种基于真实世界LR图像的双循环网络,利用双向结构一致性,以无监督的方式对退化网络和SR重建网络进行训练。具体来说,我们提出了一个退化网络,通过生成对抗网络来模拟从HR到LR的真实退化过程,这些生成的真实LR图像与真实世界的HR图像配对用于训练SR重建网络,形成第一个循环。然后在第二个反向循环中,利用真实世界LR图像的一致性来进一步稳定SR重建和退化网络的训练。在合成图像和真实图像上的大量实验表明,该算法对最先进的单图像SR方法表现良好。
2018-12-13 cs.CV
Task-driven real-world super-resolution of document scans
Department of Algorithmics and Software(算法学与软件系);Silesian University of Technology(斯里布斯大学技术学院);Department of Biostatistics and Bioinformatics(生物统计学与生物信息学系);Maria Sklodowska-Curie National Research Institute of Oncology(玛丽·斯克洛多夫斯卡国家癌症研究所)
针对真实文档扫描件超分辨率难以泛化的问题,提出融合OCR相关高层视觉辅助损失并动态加权的多任务框架,提升文本检测与图像保真度。
2025-06-08 cs.CV
RealKeyMorph: Keypoints in Real-world Coordinates for Resolution-agnostic Image Registration
Weill Cornell Medicine(韦尔·科恩医学中心);Stanford University(斯坦福大学);Cornell Tech(康奈尔科技学院);School of Electrical and Computer Engineering(电气与计算机工程学院)
提出分辨率无关的图像配准方法RealKeyMorph,通过利用扫描仪仿射矩阵将关键点转换至真实世界坐标并集成到训练中,避免了重采样伪影,在腹部MRI和脑部数据集上验证了其优势。
2025-07-14 cs.CV
Real-World Single Image Super-Resolution Under Rainy Condition
Old Dominion University(老道明大学)
图像超分辨率是计算机视觉领域的一个重要研究方向,在监控、医学成像等领域有着广泛的应用。在恶劣天气条件下,单图像超分辨率的提高还有很大的空间。本文提出了一种在雨天条件下实现真实世界单幅图像超分辨率的新算法。我们提出的方法可以减轻图像超分辨率过程中雨天条件的影响。实验结果表明,该算法可以实现图像的超分辨率,降低了降雨对图像的影响。
2022-06-16 cs.CV eess.IV
AstraSR: Real-World Thermal Super-Resolution with GPT-6 Astra
Tongji University(同济大学);Nanyang Technological University(南洋理工大学);The University of Hong Kong(香港大学)
针对真实世界热成像超分辨率中合成与真实退化域差距问题,提出由GPT-6 Astra引导的AstraSR方法,利用生成参考与多损失监督,在热清晰度和结构连贯性上超越现有方法。
2026-10-06 cs.CV
STAR: Spatial-Temporal Augmentation with Text-to-Video Models for Real-World Video Super-Resolution
Nanjing University(南京大学);ByteDance(字节跳动);Southwest University(西南大学)
针对真实世界视频超分辨率中的时间不一致、退化伪影和保真度问题,本文提出STAR框架,通过LIEM和动态频率损失有效利用T2V先验,在合成与真实数据上达到SOTA。
2025-01-06 cs.CV
High-Resolution Be Aware! Improving the Self-Supervised Real-World Super-Resolution
National University of Singapore(新加坡国立大学)
本文针对真实世界自监督超分辨率中高分辨率知识缺失和退化建模不足的问题,提出基于结果质量的退化控制器和特征对齐正则化器,通过微调现成SR模型实现自然且感知性能领先的超分辨率结果。
2024-11-25 cs.CV eess.IV
Frequency Consistent Adaptation for Real World Super Resolution
National Key Lab for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);Tencent Youtu Lab(腾讯云图实验室)
最近基于深度学习的超分辨率(SR)方法在已知退化的图像上取得了显着的性能。然而,这些方法在现实世界的场景中总是失败,因为理想退化后的低分辨率(LR)图像(例如,双三次下采样)偏离实源域。LR图像和真实世界图像之间的域间隙可以在频率密度上清楚地观察到,这启发我们显式地缩小由不正确的退化引起的不期望的间隙。从这个角度来看,我们设计了一种新的频率一致性自适应(FCA),确保频域的一致性时,将现有的SR方法应用到真实场景。我们从无监督图像中估计退化核,并生成相应的LR图像。为了给核估计提供有用的梯度信息,我们提出了频率密度比较器(FDC),通过区分图像在不同尺度上的频率密度。基于领域一致的LR-HR对,我们训练易于实现的卷积神经网络(CNN)SR模型。大量的实验表明,该FCA提高了真实世界环境下的SR模型的性能,实现了最先进的结果,具有高保真度和合理的感知,从而为真实世界的SR应用提供了一个新的有效框架。
2020-12-18 cs.CV
Unsupervised Real-world Image Super Resolution via Domain-distance Aware Training
South China University of Technology(华南理工大学);The University of Sydney(悉尼大学);ETH Zurich(苏黎世联邦理工学院)
近年来,无监督超分辨率(SR)由于其在实际场景中的实用和有前途的潜力而迅速发展。现成方法的原理在于非配对数据的增强,即,首先生成与真实世界LR域$\mathcal{Y}^r$中的真实世界高分辨率(HR)图像$\mathcal{X}^r$相对应的合成低分辨率(LR)图像$\mathcal{Y}^g$,然后利用伪对$\{\mathcal{Y}^g, \mathcal{X}^r\}$以监督方式进行训练。不幸的是,由于图像翻译本身是一个极具挑战性的任务,这些方法的SR性能受到生成的合成LR图像和真实LR图像之间的域间隙的严重限制。在本文中,我们提出了一种新的域距离感知超分辨率(DASR)方法的无监督现实世界的图像SR。域之间的差距,训练数据(如$\mathcal{Y}^g$)和测试数据(如$\mathcal{Y}^r$)解决我们的\textbf{domain-gap aware training}和\textbf{domain-distance weighted supervision}策略。领域间隙感知训练从目标领域的真实数据中获得额外的好处,而领域距离加权监督则更合理地使用标记的源领域数据。该方法在合成和真实数据集上进行了验证,实验结果表明,DASR在生成具有更真实和自然纹理的SR输出方面始终优于最先进的无监督SR方法。
2020-04-02 cs.CV
NegVSR: Augmenting Negatives for Generalized Noise Modeling in Real-World Video Super-Resolution
Guangdong University of Technology(广东工业大学);CRRC Academy(中车研究院)
提出NegVSR框架,通过序列噪声生成、负样本增强和增强负样本引导损失解决真实世界视频超分辨率中的噪声建模问题,在VideoLQ和FLIR数据集上显著优于现有方法。
2024-01-01 cs.CV
SRSR: Enhancing Semantic Accuracy in Real-World Image Super-Resolution with Spatially Re-Focused Text-Conditioning
Amazon(亚马逊公司);The University of Sydney(悉尼大学);Australian National University(澳大利亚国立大学)
提出SRSR框架,通过空间重聚焦交叉注意力和空间定向分类器自由引导,解决扩散超分辨率中的语义错位与幻觉,在多个数据集上优于七个基线。
2025-10-26 cs.CV
Semi-Cycled Generative Adversarial Networks for Real-World Face Super-Resolution
Shandong University of Traditional Chinese Medicine(山东中医药大学);Nankai University(南开大学);ShanghaiTech University(上海科技大学);Taishan University(泰山学院);United Imaging Co.(联影公司)
真实世界人脸超分辨率(SR)是一个高度不适定的图像复原任务。全循环的Cycle-GAN架构被广泛用于在面SR上实现有希望的性能,但在现实世界场景中的挑战性情况下容易产生伪影,因为由于生成器获得的真实世界和合成LR之间的巨大域差距,共同参与同一降级分支将影响最终性能。为了更好地利用GAN强大的真实世界人脸SR生成能力,本文在前向和后向循环一致性重建过程中分别建立两个独立的退化分支,而这两个过程共享同一个恢复分支。我们的半循环生成对抗网络(SCGAN)能够减轻真实世界LR人脸图像和合成LR人脸图像之间的域间隙的不利影响,并通过由前向和后向循环一致性学习过程正则化的共享恢复分支来实现准确和鲁棒的人脸SR性能。在两个合成数据集和两个真实世界数据集上的实验表明,我们的SCGAN在恢复真实世界人脸SR的人脸结构/细节和定量度量方面优于最先进的方法。该代码将在https://github.com/HaoHou-98/SCGAN上公开发布。
2023-01-25 cs.CV
Degradation-Aware and Structure-Preserving Diffusion for Real-World Image Super-Resolution
KUNBYTE(坤比特);GOLDMYE(金迈)
本文提出了一种考虑退化和保持结构的扩散框架,通过引入退化感知的token注入和空间非对称噪声注入,提升现实世界图像超分辨率的感知质量和结构保持性。
2026-04-13 cs.CV
Component Divide-and-Conquer for Real-World Image Super-Resolution
Sun Yat-sen University(中山大学);Harbin Institute of Technology(哈尔滨工业大学);University of Chinese Academy of Sciences(中国科学院大学);DarkMatter AI
在本文中,我们提出了一个大规模的多样化的现实世界的图像超分辨率数据集,即,DRealSR,以及分而治之的超分辨率(SR)网络,探索指导SR模型与低级别的图像组件的实用性。DRealSR建立了一个新的SR基准与不同的现实世界的退化过程,减轻传统的模拟图像退化的局限性。通常,SR的目标随着具有不同低级别图像分量的图像区域而变化,例如,平坦区域的平滑度保持、边缘的锐化以及纹理的细节增强。使用传统的像素丢失来学习SR模型通常很容易被平坦区域和边缘所控制,并且无法推断复杂纹理的真实细节。我们提出了一个组件分而治之(CDC)模型和一个服从加权(GW)的损失SR。我们的CDC解析图像与三个组件,采用三个服从注意块(CAB)学习注意的面具和中间SR预测与中间监督学习策略,并训练SR模型如下分而治之的学习原则。我们的GW损失还提供了一种可行的方法来平衡SR的图像组件的困难。大量的实验验证了我们的CDC的优越性能和我们的DRealSR数据集与不同的现实世界场景相关的挑战性方面。我们的数据集和代码可在https://github.com/xiezw5/Component-Divide-and-Conquer-for-Real-World-Image-Super-Resolution上公开获取
2020-08-05 cs.CV
Mitigating Artifacts in Real-World Video Super-Resolution Models
Tencent PCG(腾讯平台与内容事业群)
递归结构是视频超分辨率任务的流行框架,其通过隐藏状态来建模帧之间的时间依赖性。当应用于具有未知和复杂退化的真实世界场景时,隐藏状态往往包含令人不快的伪影并将其传播到恢复帧。在这种情况下,我们的分析表明,这种文物可以在很大程度上减轻隐藏状态被替换为一个更干净的对应。基于观察,我们提出了一个隐藏状态注意(HSA)模块,以减轻在现实世界的视频超分辨率的文物。具体来说,我们首先采用各种廉价的过滤器来产生一个隐藏的状态池。例如,高斯模糊滤波器用于平滑伪像,而锐化滤波器用于增强细节。为了聚合一个新的隐藏状态,包含更少的工件从隐藏状态池,我们设计了一个选择性交叉注意力(SCA)模块,其中输入功能和每个隐藏状态之间的注意力计算。配备HSA,我们提出的方法,即FastRealVSR,能够实现2倍的加速比,同时获得更好的性能比Real-BasicVSR。代码将在https://github.com/TencentARC/FastRealVSR上提供
2022-12-14 cs.CV
Motion-Guided Latent Diffusion for Temporally Consistent Real-world Video Super-resolution
The Hong Kong Polytechnic University(香港理工大学);OPPO Research Institute(OPPO研究院)
针对真实世界低分辨率视频降质复杂、扩散模型应用于视频超分辨率时时序一致性难保证的问题,提出基于运动引导隐扩散的视频超分辨率算法,通过运动引导损失优化隐采样路径、解码器插入时序模块并配合序列损失微调,在基准数据集上感知质量优于现有最优方法。
2024-07-12 cs.CV
AIM 2019 Challenge on Real-World Image Super-Resolution: Methods and Results
ETH Zurich(苏黎世联邦理工学院)
本文回顾了AIM 2019对现实世界超分辨率的挑战。重点介绍了参与方式和最终结果。该挑战解决了现实世界的设置,其中配对的真正的高分辨率和低分辨率图像不可用。对于训练,因此在挑战中仅提供一组源输入图像。在轨道1:源域中,目标是在保留源输入域的低级图像特征的同时对此类图像进行超分辨率处理。在轨道2中:目标域还提供了一组高质量图像用于训练,其定义了超分辨率图像的输出域和期望质量。为了允许定量评估,两个轨道中的源输入图像使用人工但真实的图像退化来构造。这项挑战是同类挑战中的第一个,旨在推进最先进的技术,并为这一新兴任务提供标准基准。在最后的测试阶段,总共有7个团队参加了比赛,展示了新的和创新的解决方案。
2019-11-19 cs.CV
SeeSR: Towards Semantics-Aware Real-World Image Super-Resolution
The Hong Kong Polytechnic University(香港理工大学);OPPO Research Institute(OPPO研究院);ByteDance Inc.(字节跳动公司)
提出SeeSR,一种语义感知的真实世界图像超分辨率方法,通过退化感知提示提取器生成软硬语义提示并结合LR图像初始化噪声,显著提升了重建图像的细节真实性与语义保真度。
2024-06-04 cs.CV
MFSR: MeanFlow Distillation for One Step Real-World Image Super Resolution
Nanjing University(南京大学);LIX, École Polytechnique, CNRS, IPP(巴黎高等学院LIX研究所、法国国家科学研究中心、ipp);Salesforce AI Research(Salesforce人工智能研究);Nanyang Technological University(南洋理工大学)
MFSR提出一种单步蒸馏框架,通过MeanFlow作为学习目标,实现高效高质量的图像超分辨率,同时保留少量步骤的可选路径以进一步优化。
2026-03-21 cs.CV
Your Super Resolution Model is not Enough for Tackling Real-World Scenarios
HDC LABS(HDC实验室)
本文提出SAAM模块,通过轻量级特征提取和注意力机制,提升超分辨率模型在多种缩放因子下的泛化能力,实现高效且鲁棒的多尺度上采样。
2026-01-13 cs.CV
Unsupervised Learning for Real-World Super-Resolution
ETH Zürich(苏黎世联邦理工学院)
目前大多数超分辨率方法依赖于低分辨率和高分辨率图像对来以完全监督的方式训练网络。然而,这样的图像对在现实世界的应用中不可用。而不是直接解决这个问题,大多数作品采用流行的双三次下采样策略,人工生成相应的低分辨率图像。不幸的是,这种策略引入了显著的伪影,消除了自然传感器噪声和其他真实世界的特征。因此,在这种双三次图像上训练的超分辨率网络很难推广到自然图像。在这项工作中,我们提出了一种无监督的方法,图像超分辨率。仅给定未配对的数据,我们学习反转双三次下采样的效果,以恢复数据中存在的自然图像特征。这使我们能够生成逼真的图像对,忠实地反映真实世界图像的分布。因此,我们的超分辨率网络可以在高分辨率域中通过直接的像素监督进行训练,同时鲁棒地推广到真实输入。我们证明了我们的方法在定量和定性实验的有效性。
2019-09-20 cs.CV eess.IV
CasSR: Activating Image Power for Real-World Image Super-Resolution
Peking University(北京大学);Kuaishou Technology(快手科技)
针对真实世界图像超分辨率中语义丢失和伪影问题,提出级联扩散模型CasSR,通过初步参考图像和多注意力机制优化信息提取,生成高保真细节图像。
2024-03-18 cs.CV
DriftSR: One-Step Real-World Image Super-Resolution via Distribution Drifting
Nanjing University of Science and Technology(南京理工大学);Huawei(华为);Nanjing University(南京大学);South China University of Technology(华南理工大学)
DriftSR提出一种一步式真实世界图像超分辨率框架,通过分布漂移利用预训练扩散先验,引入空间特征漂移和结构调制引导,无需额外组件,在三个基准上实现高质量高效重建。
2026-10-06 cs.CV
D$^{2}$R$^{2}$OSR: Degradation-Disentangled Representation for Real-World Omnidirectional Image Super-Resolution
School of Computer Science and Technology, University of Chinese Academy of Sciences(中国科学院大学计算机科学与技术学院);ByteDance Inc.(字节跳动公司);School of Computer Science, Peking University(北京大学计算机学院)
提出D$^{2}$R$^{2}$OSR框架,通过显式建模鱼眼成像和ERP投影的退化,结合视角投影表示和退化特定模块,实现真实世界全向图像超分辨率,达到SOTA性能。
2026-06-28 cs.CV
InstanceRSR: Real-World Super-Resolution via Instance-Aware Representation Alignment
Tongji University(同济大学);Western Sydney University(西澳大学);Independent Researcher(独立研究员)
InstanceRSR通过联合建模语义信息和引入实例级特征对齐,解决现实世界超分辨率中细粒度细节恢复问题,提升实例级语义一致性。
2026-03-25 cs.CV
Controllable Reference Guided Diffusion with Local Global Fusion for Real World Remote Sensing Image Super Resolution
School of Remote Sensing and Information Engineering, Wuhan University(遥感与信息工程学院,武汉大学)
针对真实遥感 RefSR 中跨传感器差异、地物变化及参考依赖问题,提出 CRefDiff 扩散模型,通过双分支局部-全局融合、参考强度控制和 Better Start 加速推理,并构建 RealRefRSSRD 数据集,实现 SOTA 性能。
2025-09-28 cs.CV
Semantic Segmentation Prior for Diffusion-Based Real-World Super-Resolution
SenseTime Research(商汤科技研究院);Beijing University of Technology(北京工业大学)
针对真实世界图像超分辨率中显著对象识别不准确、语义模糊的问题,提出引入语义分割作为控制条件的SegSR双扩散框架,通过双模态桥接模块实现超分辨率与分割模型交互,有效保留语义结构并生成真实图像。
2024-12-04 cs.CV
DeeDSR: Towards Real-World Image Super-Resolution via Degradation-Aware Stable Diffusion
School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院)
本文提出DeeDSR,一种两阶段退化感知框架,通过无监督对比学习退化表示并注入简化ControlNet,以提升真实世界图像超分辨率的语义保真度和细节恢复能力。
2024-03-31 cs.CV
DualX-VSR: Dual Axial Spatial$\times$Temporal Transformer for Real-World Video Super-Resolution without Motion Compensation
University of Science and Technology of China(中国科学技术大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);Tsinghua University(清华大学);Sun Yat-sen University(中山大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
针对现有Transformer类VSR模型像素精度不足、依赖光流对齐等问题,提出无需运动补偿的DualX-VSR模型,通过双轴时空注意力沿正交方向融合信息,在真实世界视频超分辨率任务中取得更优性能。
2025-06-13 cs.CV
One-Step Diffusion Transformer for Controllable Real-World Image Super-Resolution
Shanghai Jiao Tong University(上海交通大学);Xiaohongshu Inc(小红书公司)
ODTSR通过噪声混合视觉流和保真度感知对抗训练,实现一步扩散变换器在现实世界图像超分辨率中的保真度与可控性平衡。
2025-11-27 cs.CV
Language-Assisted Super-Resolution from Real-World Low-Resolution Patches
IPAI, Seoul National University(首尔大学IPAI)
提出LA-SR框架,利用视觉语言模型在语言空间中对齐LR和HR图像,通过语言内容损失和语言质量损失实现无配对真实LR图像的超分辨率。
2026-07-03 cs.CV
Self-supervised ControlNet with Spatio-Temporal Mamba for Real-world Video Super-resolution
Jiangnan University(江南大学);University of Science and Technology of China(中国科学技术大学);Peking University(北京大学);Chinese Academy of Sciences(中国科学院)
本文提出一种结合自监督ControlNet与时空Mamba的真实世界视频超分辨率框架,通过全局时空注意力、对比学习特征提取和三阶段训练策略抑制伪影并提升感知质量。
2025-06-01 cs.CV
Preserve More Details: Mitigating Content Drift in Real-World Image Super-Resolution
Xiaomi Corporation(小米公司)
针对真实世界图像超分辨率中因低质量输入导致的内容漂移问题,提出双路径架构的新型单步扩散模型FSP-Diff,在标准基准上优于现有单步扩散方法。
2026-08-11 cs.CV
Boosting Diffusion-Based Text Image Super-Resolution Model Towards Generalized Real-World Scenarios
Zhejiang University(浙江大学);The Chinese University of Hong Kong(香港中文大学);Fudan University(复旦大学)
针对现有文本图像超分辨率方法在真实场景下清晰度与保真度难以兼顾的问题,提出结合渐进数据采样、预训练SR先验、交叉注意力及置信度动态调整的扩散模型框架,提升了文本图像复原的真实感与结构准确性。
2025-06-14 cs.CV
Q-DiT4SR: Exploration of Detail-Preserving Diffusion Transformer Quantization for Real-World Image Super-Resolution
Shanghai Jiao Tong University(上海交通大学);Huawei(华为)
本文提出Q-DiT4SR,一种专门针对基于扩散变换器的实现实景图像超分辨率的后训练量化框架,通过引入层次化SVD和变异性感知时空混合精度方法,在保持细节的同时实现高效的模型压缩和加速。
2026-05-20 cs.CV
Exploiting Diffusion Prior for Real-World Image Super-Resolution
Nanyang Technological University(南洋理工大学)
本文提出利用预训练文本到图像扩散模型的先验进行盲超分辨率,通过时间感知编码器、可控特征包裹模块和渐进聚合采样策略,在保持生成先验的同时实现任意分辨率的高保真恢复,并在合成与真实基准上超越现有方法。
2024-06-28 cs.CV
QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution
QuantVSR通过时空复杂度感知机制和可学习偏置对齐模块,实现低比特后训练量化,提升现实世界视频超分辨率的性能与效率。
2026-02-04 cs.CV
Incorporating Uncertainty-Guided and Top-k Codebook Matching for Real-World Blind Image Super-Resolution
VCIP, College of Computer Science, Nankai University(VCIP,计算机科学学院,南开大学)
针对真实世界盲图像超分辨率中码本特征匹配不准与纹理重建不足的问题,提出 UGTSR 框架,通过不确定性引导、Top-k 候选融合和对齐注意力显著提升真实感与保真度。
2025-06-09 cs.CV
D2C-SR: A Divergence to Convergence Approach for Real-World Image Super-Resolution
Megvii Technology(旷视科技);Kuaishou Technology(快手科技);Great Wall Motor Company Limited(长城汽车股份有限公司);University of Electronic Science and Technology of China(电子科技大学)
在本文中,我们提出了D2C-SR,一个新的框架,现实世界的图像超分辨率的任务。作为一个不适定问题,超分辨率相关任务的关键挑战是对于给定的低分辨率输入可以有多个预测。大多数经典的基于深度学习的方法忽略了基本事实,并且缺乏对底层高频分布的明确建模,这导致模糊的结果。近年来,一些基于GAN的方法或学习超分辨率空间的方法可以生成模拟纹理,但不能保证纹理的准确性,其定量性能较低。重新思考两者,我们以离散形式学习底层高频细节的分布,并提出了一个两阶段的管道:发散阶段到收敛阶段。在发散阶段,我们提出了一个基于树结构的深度网络作为我们的发散骨干。发散损失被提出来鼓励从基于树的网络生成的结果发散到可能的高频表示中,这是我们对底层高频分布进行离散建模的方式。在收敛阶段,我们分配空间权重来融合这些不同的预测,以获得具有更准确细节的最终输出。我们的方法提供了一个方便的端到端的推理方式。我们对几个真实世界的基准进行了评估,包括一个新提出的具有x8缩放因子的D2CREalSR数据集。我们的实验表明,D2C-SR实现了更好的准确性和视觉上的改进,与国家的最先进的方法,与一个显着较少的参数数量和我们的D2C结构也可以作为一个广义的结构,一些其他的方法,以获得改善。我们的代码和数据集可在https://github.com/megvii-research/D2C-SR上获得
2022-07-20 cs.CV
Teacher-Student Network for Real-World Face Super-Resolution with Progressive Embedding of Edge Information
College of Intelligence and Computing, Tianjin University(天津大学智能与计算学部)
针对合成与真实低分辨率人脸图像间的域间隙问题,提出教师-学生模型,利用循环网络中间输出渐进嵌入边缘信息,在真实人脸超分辨率上超越现有方法。
2024-05-08 cs.CV eess.IV
DiffST: Spatiotemporal-Aware Diffusion for Real-World Space-Time Video Super-Resolution
Shanghai Jiao Tong University(上海交通大学);Huawei Noah’s Ark Lab(华为诺亚实验室);Duke University(杜克大学);Huawei Consumer Business Group(华为消费者业务集团)
DiffST提出一种高效时空感知视频扩散框架,通过跨帧上下文聚合和视频表示引导提升时空信息利用,实现高效实时世界时空视频超分辨率。
2026-05-13 cs.CV
TSD-SR: One-Step Diffusion with Target Score Distillation for Real-World Image Super-Resolution
Zhejiang University(浙江大学);Vivo Mobile Communication Co. Ltd(Vivo移动通信有限公司);University of Chinese Academy of Sciences(中国科学院大学);Zhejiang Lab(浙江实验室)
提出TSD-SR框架,通过目标分数蒸馏和分布感知采样模块构建高效一步扩散模型,解决真实世界图像超分辨率任务中计算成本高与细节恢复差的问题,实现最优恢复效果与最快推理速度。
2025-05-31 cs.CV
Unpaired Depth Super-Resolution in the Wild
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);New York University(纽约大学)
使用商用传感器捕获的深度图通常质量和分辨率较低;这些地图需要增强以用于许多应用。现有技术的深度图超分辨率的数据驱动方法依赖于相同场景的低分辨率深度图和高分辨率深度图的配准对。获取真实世界的配对数据需要专门的设置。另一种替代方法是通过二次采样、添加噪声和其他人工降级方法从高分辨率地图生成低分辨率地图,但这种方法并不能完全捕捉到真实世界低分辨率图像的特征。因此,在这种人工配对数据上训练的监督学习方法可能在现实世界的低分辨率输入上表现不佳。我们考虑的深度超分辨率的方法的基础上学习不成对的数据。虽然已经提出了许多用于不成对图像到图像转换的技术,但大多数都无法提供有效的孔填充或使用深度图重建精确的表面。我们提出了一种用于深度超分辨率的非配对学习方法,该方法基于可学习的退化模型,增强分量和表面法线估计作为特征,以产生更准确的深度图。我们提出了一个基准的不成对的深度SR,并证明我们的方法优于现有的不成对的方法,并与配对。
2022-09-23 cs.CV
Toward Real-world Image Super-resolution via Hardware-based Adaptive Degradation Models
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
大多数单图像超分辨率(SR)方法都是在合成低分辨率(LR)和高分辨率(HR)图像对上开发的,这些图像对通过预定的降级操作进行模拟,例如,双三次下采样然而,这些方法只学习预定操作的逆过程,因此它们不能超分辨真实世界的LR图像;真正的公式偏离了预定操作。为了解决这个问题,我们提出了一种新的监督方法来模拟一个未知的退化过程,包括成像系统的先验硬件知识。我们在监督学习框架中设计了一个自适应模糊层(ABL)来估计目标LR图像。ABL的超参数可以针对不同的成像硬件进行调整。在真实世界数据集上的实验验证了我们的退化模型可以比预定的退化操作更准确地估计LR图像,以及促进现有的SR方法比传统方法更准确地对真实世界LR图像进行重建。
2021-10-20 cs.CV eess.IV
IG-CFAT: An Improved GAN-Based Framework for Effectively Exploiting Transformers in Real-World Image Super-Resolution
Ferdowsi University of Mashhad(马什哈德费尔多西大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
提出IG-CFAT,一种结合CFAT与GAN的框架,通过语义感知判别器、自适应退化模型及小波损失,显著提升真实世界图像超分辨率的细节恢复与纹理生成性能。
2025-02-25 cs.CV eess.IV
Real-Time Super-Resolution for Real-World Images on Mobile Devices
OPPO US Research Center(OPPO美国研究中心)
图像超分辨率(ISR),旨在从相应的低分辨率(LR)图像中恢复高分辨率(HR)图像。虽然最近ISR的进展是显著的。然而,它们的计算量太大,无法部署在边缘设备上,因为最近的大多数方法都是基于深度学习的。此外,这些方法在真实场景中总是失败,因为它们中的大多数采用简单固定的“理想”双三次下采样内核从高质量图像中构建LR/HR训练对,这可能会丢失与频率相关的细节。在这项工作中,实时的【形】ISR的移动设备上,这是能够处理在现实世界中的情况下,范围广泛的退化的方法。在传统的超分辨率数据集(Set 5,Set 14,BSD 100,Urban 100,Manga 109,DIV 2K)和真实图像上进行的大量实验表明,该方法优于现有方法,具有更高的PSNR和SSIM,更低的噪声和更好的视觉质量。最重要的是,我们的方法在移动或边缘设备上实现实时的【形】性能。
2022-06-03 cs.CV eess.IV
The First Challenge on Mobile Real-World Image Super-Resolution at NTIRE 2026: Benchmark Results and Method Overview
NTIRE 2026
本文回顾了NTIRE 2026移动真实世界图像超分辨率挑战,介绍了提出的解决方案和结果,旨在通过x4降采样因子从未知退化生成的低分辨率图像中恢复高分辨率图像,同时确保模型在移动设备上可执行。
2026-04-19 cs.CV
Investigating Tradeoffs in Real-World Video Super-Resolution
Nanyang Technological University(南洋理工大学)
真实世界视频超分辨率(VSR)中退化的多样性和复杂性对推理和训练提出了重要挑战。首先,虽然长期传播导致在轻度退化的情况下提高性能,但严重的野生退化可能会通过传播而被夸大,从而损害输出质量。为了平衡细节合成和伪影抑制之间的权衡,我们发现图像预清洗阶段是必不可少的,以减少传播之前的噪声和伪影。配备了精心设计的清洁模块,我们的RealBasicVSR在质量和效率方面都优于现有方法。其次,真实世界的VSR模型通常使用不同的退化来训练,以提高泛化能力,这需要增加批量大小来产生稳定的梯度。不可避免地,增加的计算负担导致各种问题,包括1)速度-性能权衡和2)批长度权衡。为了减轻第一个权衡,我们提出了一个随机降级方案,减少了40%的训练时间,而不牺牲性能。然后,我们分析了不同的训练设置,并建议在训练过程中使用更长的序列而不是更大的批次,可以更有效地使用时间信息,从而在推理过程中获得更稳定的性能。为了便于公平的比较,我们提出了新的VideoLQ数据集,它包含了大量的真实世界的低质量视频序列,包含丰富的纹理和模式。我们的数据集可以作为基准测试的共同基础。代码、模型和数据集将公开提供。
2021-11-24 cs.CV
DACESR: Degradation-Aware Conditional Embedding for Real-World Image Super-Resolution
School of Electrical and Information Engineering, Zhengzhou University of Light Industry(郑州轻工业大学电气与信息工程学院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);School of Automation, Central South University(中南大学自动化学院);Intelligent Manufacturing Engineering at Machinery Technology Development Co.,Ltd.(机械技术发展有限公司智能制造工程);China Academy of Machinery Science and Technology Group Co.,Ltd.(中国机械科学与技术集团有限公司)
DACESR通过退化感知条件嵌入提升现实世界图像超分辨率的保真度与感知质量。
2026-02-27 cs.CV
Real-World Super-Resolution of Face-Images from Surveillance Cameras
Aalborg University(奥尔堡大学);Milestone Systems A/S(Milestone Systems公司)
现有的人脸图像超分辨率(SR)方法大多假设低分辨率(LR)图像是通过双三次插值从高分辨率(HR)图像中人工下采样得到的。该操作改变了自然图像特性并降低了噪声。因此,在这些数据上训练的SR方法在应用于真实LR图像时通常无法产生良好的结果。为了解决这个问题,我们提出了一个新的框架来生成现实的LR/HR训练对。我们的框架估计现实的模糊内核,噪声分布和JPEG压缩伪影生成LR图像与源域中的图像特征相似。这使我们能够使用高质量的人脸图像作为地面实况(GT)来训练SR模型。为了获得更好的感知质量,我们使用基于生成对抗网络(GAN)的SR模型,其中我们将常用的VGG损失[24]与LPIP损失[52]进行了交换。在真实和人为损坏的人脸图像上的实验结果表明,与现有的最新技术(SoTA)方法相比,我们的方法可以以更少的噪声进行更详细的重建。此外,我们还证明了传统的非参考图像质量评估(IQA)方法无法捕捉到这种改进,并证明了最近的NIMA度量[16]通过平均意见排名(MOR)与人类感知更好地相关。
2021-02-05 cs.CV
StructSR: Refuse Spurious Details in Real-World Image Super-Resolution
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics(南京航空航天大学计算机科学与技术学院);Microsoft(微软公司)
针对扩散模型在真实世界图像超分辨率中易产生结构错误和伪纹理细节的问题,提出即插即用的StructSR方法,通过结构感知筛选机制利用早期推理的高结构相似度图像抑制伪影,无需额外微调即可适配现有扩散超分模型,显著提升结构与纹理保真度。
2025-01-16 cs.CV
HiTokSR: A Coarse-to-Fine Tokenizer with Hierarchical Codebooks for High-Fidelity Real-World Image Super-Resolution
com(163.com)
提出HiTokSR层次化标记预测框架,通过将潜在空间沿通道维度划分为频率感知组并独立量化,解耦全局结构与细节,结合视觉基础模型先验和索引级扰动策略,实现真实世界图像超分辨率的最优感知质量和重建保真度。
2026-05-31 cs.CV
Controlled Data Rebalancing in Multi-Task Learning for Real-World Image Super-Resolution
Xidian University(西安电子科技大学);Hunan University(湖南大学)
本文针对真实世界图像超分辨率中的退化模式不平衡问题,提出将Real-SR建模为数据异构多任务学习,并通过任务定义、focal loss加权量化和可控数据再平衡实现各退化任务间的优化平衡。
2025-06-05 cs.CV
RealSR-R1: Reinforcement Learning for Real-World Image Super-Resolution with Vision-Language Chain-of-Thought
School of Computer Science and Technology, East China Normal University(华东师范大学计算机科学与技术学院);University of Science and Technology of China(中国科学技术大学);Shanghai Jiaotong University(上海交通大学)
本文提出RealSR-R1,通过视觉-语言链式推理框架和Group Relative Policy Optimization方法,提升真实世界图像超分辨率的生成质量与内容理解能力。
2026-04-13 cs.CV