计算机科学与探索

作者：袁江, 马冀, 周登文

单位：华北电力大学 控制与计算机工程学院，北京 102206

关键词：超分辨率,对比学习,退化特征学习,退化特征调制

大多数基于卷积神经网络的超分辨率（SR）方法，退化假设是固定且已知的（如双三次退化）。将它们应用在真实世界退化图像时，实际退化与假设不匹配会使得SR方法性能显著下降。为解决退化不匹配时SR方法性能下降问题，提出一种新的盲SR方法，它可以无监督地学习退化图像的退化信息，并使用学习的退化信息有效地调制SR网络。基于对比学习设计了一种无监督的隐式退化表征学习方法，不依赖负样本队列即可提取出准确的退化信息，并提出将经过同一退化的不同图片作为正样本对，克服了图片内容相似性对学习退化的影响，有效提升了隐式退化估计器的表达能力。设计了一个包含全局调制块和通道融合调制块的退化引导调制超分辨率网络，它和退化信息结合可以灵活处理各种退化，以实现最终的SR恢复。实验在四个标准数据集上与多种代表性方法进行了比较，结果显示在×2、×3和×4三种不同放大倍数情形下，在Urban100数据集上比基线模型（DASR）的PSNR分别提高0.85 dB、0.87 dB和0.32 dB。最终提取的退化表征信息质量和重建出的SR图像比DASR均有较大提升。

来源：2025年第5期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第5期