中国科学技术大学、华为诺亚实验室、港科大、清华大学等单位 联合提出了一种超快速的任意尺度超分方法，ContinuousSR。

该文首次提出从离散低分辨率图像中重构高质量高分辨连续高斯场, 并借助2DGS实现快速多尺度连续超分，性能大幅度提升0.9dB，运行速度提升19倍。

论文标题：Pixel to Gaussian: Ultra-Fast Continuous Super-Resolution with 2D Gaussian Modeling
论文链接：https://arxiv.org/pdf/2503.06617
代码链接：https://github.com/peylnog/ContinuousSR

背景：为什么需要任意比例超分辨率（ASSR）？

图像超分辨率技术旨在从低分辨率（Low-Resolution, LR）图像生成高分辨率（High-Resolution, HR）图像。然而，传统的超分辨率方法通常只能处理固定比例（如×2、×4）的放大，这在实际应用场景中存在很大的局限性。

为了解决这一问题，近年来研究者们提出了任意比例超分辨率（Arbitrary-Scale Super-Resolution, ASSR），希望通过单一模型实现任意放大比例的超分辨率。一些基于隐式神经表示（Implicit Neural Representation, INR）的方法，如LIIF、CiaoSR等，已经在ASSR任务上取得了显著进展。

然而，这些方法常常需要多次上采样和解码步骤，不仅效率低下，还会因为隐函数的表达能力有限而导致生成图像质量的下降。

ContinuousSR：一场范式的革命

论文提出的ContinuousSR框架，创造性地引入了Pixel-to-Gaussian范式，通过高斯建模直接重建连续的高分辨率信号，从而彻底改变了ASSR任务的实现方式。

1. Pixel-to-Gaussian：从像素到高斯的重新定义

ContinuousSR的核心思想是将图像从像素空间转换到高斯空间。具体来说，论文提出通过2D高斯核来显式表示图像的连续信号。

每个高斯核具有位置、颜色、协方差矩阵等参数。通过优化这些参数，ContinuousSR能够高效地构建一个连续的高分辨率表示。

相比传统方法中繁琐的上采样和解码过程，使用高斯建模后可以直接采样生成任意比例的HR图像，大大提升了效率。

2. 三大创新模块：提升性能与效率

论文为ContinuousSR设计了三大核心模块，使得模型在性能和效率上都达到了新的高度：

DGP-Driven Covariance Weighting（DGP驱动的协方差加权）
通过对4万张自然图像进行统计分析，论文发现了一个重要规律——深度高斯先验（Deep Gaussian Prior, DGP），即高斯核的协方差参数服从一定的分布规律。为此，作者通过采样预定义的高斯核并引入动态加权机制，显著降低了高斯空间的优化难度。
Adaptive Position Drifting（自适应位置漂移）
在高斯核的初始化过程中，作者提出了一种动态偏移策略，使得高斯核可以根据图像内容自适应调整位置，从而在复杂纹理区域分布更多高斯核，大幅提升重建细节的质量。
Color Gaussian Mapping（颜色高斯映射）
针对RGB颜色参数的学习，论文采用了简单高效的多层感知机（MLP）结构，进一步优化了色彩表现。

3. 超快渲染速度与高质量重建

得益于Pixel-to-Gaussian范式和上述创新模块，ContinuousSR在性能和速度上都取得了惊人的表现：

极快的任意比例渲染：在完成高斯场构建后，模型能够以每比例1ms的速度生成HR图像，达到了现有方法的19.5倍加速。

重建质量显著提升：在多个基准数据集上的实验表明，ContinuousSR的重建性能相比现有方法提升了0.9 dB（PSNR），特别是在高放大倍率场景下表现尤为突出。

最新 AI 进展报道
请联系：amos@52cv.net