180、自监督学习在超分中的应用：Zero-shot超分辨率重建原理与创新改进

180、自监督学习在超分中的应用：Zero-shot超分辨率重建原理与创新改进上周调一个老项目，客户发来一张1920年的老照片，人脸糊得跟马赛克似的。我习惯性丢进EDSR跑了一轮，结果出来一张“AI修复版”——人脸是清晰了，但五官完全不是原片那个人。客户骂我“把祖宗修成了隔壁老王”。这事让我重新审视一个问题：当训练数据和测试数据分布严重不匹配时，监督学习的超分模型就是个盲人摸象。Zero-shot超分辨率重建（ZSSR）就是为解决这个痛点诞生的。它的核心思想很暴力：不用任何外部训练数据，只用当前这一张低分辨率图本身，就能学出一个超分模型。听起来像变魔术？其实原理并不复杂。从一张图里“无中生有”学超分传统超分模型为什么需要海量数据？因为模型要学习从低分辨率到高分辨率的映射，而这个映射是病态的——一张低分图可以对应无数张高分图。模型必须从大量配对数据中“猜”出最合理的那个映射。ZSSR的思路是：既然外部数据不可靠，那就从内部找规律。一张自然图像内部，不同尺度的图像块之间存在很强的自相似性。比如一张人脸照片，左眼和右眼的结构高度相似；一个纹理区域，放大和缩小后局部模式几乎不变。具体做法是这样的：对输入的低分辨率图像（LR），先做下采样，生成更小的图像（LR_down）。然后构造一个轻量CNN，输入LR_down，输出预测的LR。训练目标就是让这个预测结果和真实的LR尽可能接近。训练完成后，把真正的LR输入网络，输出的就是超分