LightBSR: Towards Lightweight Blind Super-Resolution via Discriminative Implicit Degradation Representation Learning

📄 arXiv: 2506.22710v1 📥 PDF

作者: Jiang Yuan, JI Ma, Bo Wang, Guanzhou Ke, Weiming Hu

分类: cs.CV, eess.IV

发布日期: 2025-06-28

期刊: International Conference on Computer Vision (ICCV) 2025

🔗 代码/项目: GITHUB

💡 一句话要点

LightBSR：通过判别性隐式退化表示学习实现轻量级盲超分辨率

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 盲超分辨率 隐式退化表示 知识蒸馏 对比学习 特征对齐 轻量级模型 图像重建

📋 核心要点

  1. 现有盲超分辨率方法过度关注适应过程，忽略了隐式退化表示(IDR)判别性的重要性，导致模型复杂度过高。
  2. LightBSR通过知识蒸馏框架，利用教师模型学习到的判别性IDR，并将其迁移到轻量级的学生模型中。
  3. 实验表明，LightBSR在保持较低复杂度的同时，在各种盲超分辨率任务中取得了优异的性能。

📝 摘要（中文）

基于隐式退化估计的盲超分辨率(IDE-BSR)依赖于提取低分辨率(LR)图像的隐式退化表示(IDR)，并将其应用于LR图像特征，以指导高分辨率(HR)细节的恢复。尽管IDE-BSR在处理噪声干扰和复杂退化方面显示出潜力，但现有方法忽略了IDR判别性对于BSR的重要性，反而过度复杂化了适应过程以提高效果，导致模型参数和计算量显著增加。本文关注IDR的判别性优化，并提出了一种新的强大且轻量级的BSR模型，称为LightBSR。具体而言，我们采用了一种基于知识蒸馏的学习框架。首先，在教师阶段引入了一种精心设计的、受退化先验约束的对比学习技术，使模型更专注于区分不同的退化类型。然后，我们利用特征对齐技术将教师获得的与退化相关的知识转移给学生，用于实际推理。大量实验证明了IDR判别性驱动的BSR模型设计的有效性。所提出的LightBSR可以在各种盲SR任务中以最小的复杂度实现出色的性能。代码已开源。

🔬 方法详解

问题定义：盲超分辨率(BSR)旨在从低分辨率图像重建高分辨率图像，而无需预先知道退化过程。现有的基于隐式退化估计(IDE)的方法虽然在处理复杂退化方面有所进展，但往往忽略了隐式退化表示(IDR)的判别性，过度复杂化模型结构以提升性能，导致计算成本高昂，难以实际应用。

核心思路：LightBSR的核心思路是提升IDR的判别能力，从而更有效地指导超分辨率重建。通过知识蒸馏，将一个具有较强判别能力的教师模型学习到的退化信息迁移到一个轻量级的学生模型中，在保证性能的同时降低模型复杂度。

技术框架：LightBSR采用两阶段的知识蒸馏框架。第一阶段是教师模型训练，使用退化先验约束的对比学习，提升IDR的判别性。第二阶段是学生模型训练，通过特征对齐，将教师模型学习到的退化知识迁移到学生模型。学生模型在实际推理中使用。

关键创新：LightBSR的关键创新在于：1) 强调IDR判别性在BSR中的重要性；2) 提出了一种退化先验约束的对比学习方法，用于提升教师模型的IDR判别能力；3) 使用特征对齐技术，有效地将教师模型的知识迁移到学生模型，实现轻量化。

关键设计：教师模型采用对比学习，损失函数包含对比损失和退化先验约束项，鼓励模型区分不同的退化类型。学生模型通过最小化与教师模型特征的差异来进行学习，实现知识迁移。具体的网络结构和参数设置在论文中有详细描述，但摘要中未提及具体数值。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

LightBSR在多个盲超分辨率数据集上取得了优异的性能，并在模型复杂度上显著优于现有方法。具体性能数据（如PSNR、SSIM）和对比基线在论文中有详细展示，但摘要中未提供具体数值。该模型在保证性能的同时，显著降低了计算成本，更易于部署和应用。

🎯 应用场景

LightBSR具有广泛的应用前景，包括但不限于：移动设备上的图像增强、视频监控中的图像清晰化、老照片修复、医学图像处理等。其轻量级的特性使其能够部署在资源受限的设备上，实现高质量的超分辨率重建，具有重要的实际应用价值。

📄 摘要（原文）

Implicit degradation estimation-based blind super-resolution (IDE-BSR) hinges on extracting the implicit degradation representation (IDR) of the LR image and adapting it to LR image features to guide HR detail restoration. Although IDE-BSR has shown potential in dealing with noise interference and complex degradations, existing methods ignore the importance of IDR discriminability for BSR and instead over-complicate the adaptation process to improve effect, resulting in a significant increase in the model's parameters and computations. In this paper, we focus on the discriminability optimization of IDR and propose a new powerful and lightweight BSR model termed LightBSR. Specifically, we employ a knowledge distillation-based learning framework. We first introduce a well-designed degradation-prior-constrained contrastive learning technique during teacher stage to make the model more focused on distinguishing different degradation types. Then we utilize a feature alignment technique to transfer the degradation-related knowledge acquired by the teacher to the student for practical inferencing. Extensive experiments demonstrate the effectiveness of IDR discriminability-driven BSR model design. The proposed LightBSR can achieve outstanding performance with minimal complexity across a range of blind SR tasks. Our code is accessible at: https://github.com/MJ-NCEPU/LightBSR.