通过小波域损失训练生成式图像超分辨率模型，更好地控制伪影
内容提要
该文综述了多种超分辨率方法：傅里叶域感知损失提升生成器，速度比RankSRGAN和SRFlow快2.4至48倍；小波域风格转移平衡感知与失真；DSGAN通过无监督学习提升真实图像表现；DISGAN结合去噪与超分；DASR实现自然纹理；SRResCGAN适应真实噪声；CycleGAN保持分布连续；DeSRA消除伪影；DiWa结合扩散模型与小波变换，以更少参数超越SR3和SRDiff；频域掩模提升抗攻击鲁棒性。
延伸解读
小波域方法为何受关注
文章综述的多项工作都利用小波变换分解图像的低频和高频子带，并分别处理。这种思路让模型能更精细地控制不同频率的信息，从而在感知质量和失真之间取得更好平衡。例如，小波域风格转移方法通过分别处理子带，获得了优于基于GAN方法的平衡；DiWa结合扩散模型与小波变换，以更少参数超越SR3和SRDiff。
扩散模型与小波结合的优势
DiWa将去噪扩散概率模型与离散小波变换结合，在小波频谱上生成高频信息，从而在图像空间产生高质量重建。定量指标上，它在面部8倍和一般4倍超分基准中均优于SR3和SRDiff，且参数更少：92M对550M（SR3），9.3M对12M（SRDiff）。这表明小波变换能帮助扩散模型在保持性能的同时显著降低参数量。
真实世界超分的挑战与对策
针对真实低分辨率图像，文章提到多种无监督或自监督方法。DSGAN通过频率分离仅对高频部分对抗训练，提升真实图像表现；DASR利用领域间距距离控制训练，生成更自然的纹理；SRResCGAN通过残差学习和凸优化适应真实噪声。这些方法共同指向一个目标：在缺乏配对数据时，仍能获得可用的超分结果。
伪影控制与鲁棒性提升
生成式超分常产生不良伪影和失真。DeSRA专门检测并消除这些伪影，提高实际应用表现。此外，频域掩模模块与敌对样本分类器结合，可提升模型对抗敌对噪声攻击的鲁棒性。这些工作提醒我们，超分模型不仅要追求指标，还需关注输出可靠性和安全性。
Q&A
小波域损失在生成式图像超分辨率中有什么作用？
小波域损失通过将图像分解为低频和高频子带，并分别处理，从而在感知质量和畸变之间达到更好的平衡，提升超分辨率效果。
DiWa方法如何结合扩散模型和小波变换？
DiWa将去噪扩散概率模型（DDPMs）与离散小波变换（DWT）结合，在小波频谱上为超分辨图像产生高频信息，从而生成高质量、详细的重建，且参数更少。
DeSRA方法主要解决什么问题？
DeSRA方法通过分析GAN生成的超分辨率图像中的不良伪影和失真，设计新方法来检测和消除这些伪影，提高超分辨率模型在实际应用中的表现。
DSGAN如何提升真实世界图像的超分辨率性能？
DSGAN通过无监督学习将自然图像特征引入双三次下采样降级的图像，并利用频率分离技术仅对高频部分进行对抗性训练，从而极大提高在真实世界图像上的性能。
傅里叶域感知损失相比RankSRGAN和SRFlow有什么优势？
傅里叶域感知损失在达到与RankSRGAN和SRFlow相当结果的同时，速度比这些方法快2.4倍至48倍。
如何提高超分辨率模型对抗敌对噪声攻击的鲁棒性？
通过结合频域掩模模块和敌对样本分类器，可以提高模型的稳定性和鲁棒性，抵御敌对噪声攻击。
