DIffSteISR：利用扩散先验提升真实世界立体图像超分辨率
内容提要
本文介绍了多种立体图像超分辨率（SR）网络的创新方法，如PASSRnet、PASMnet和NAFRSSR。这些网络通过视差注意力机制、双目系统对称性线索和混合尺度选择性融合等技术，显著提升了超分辨率性能，同时减少了参数数量和计算成本。实验结果显示，这些方法在多个数据集上达到了最先进的性能，具有效率和效果的优势。
延伸解读
技术演进：从视差注意力到轻量化设计
文章梳理了立体图像超分辨率的发展脉络：早期PASSRnet和PASMnet通过视差注意力机制捕捉立体对应关系，在多个数据集上达到最先进性能；随后研究转向效率优化，如NAFRSSR通过递归连接和轻量化模块，在减少参数的同时提升PSNR/SSIM，其中NAFRSSR-M仅0.28M参数、推理时间50毫秒。这反映了该领域在追求性能的同时，日益重视计算成本和实际部署可行性。
方法多样性：不同技术路线的融合
文章介绍了多种创新方法，包括利用双目对称性的Siamese网络和biPAM、结合通道注意与大核卷积的Cross-View-Hierarchy Network、引入Fast Fourier Convolution和Residual Swin Transformer的SwinFSR，以及自适应融合双视角特征的MSSFNet。这些方法从不同角度提升立体超分辨率效果，如增强立体一致性、挖掘跨视图信息，展示了技术路线的多样性。
效率与性能的平衡：轻量化与微调策略
文章强调了效率与性能的平衡。NAFRSSR通过组卷积和深度分离交叉注意力减少参数，四个变体均比先前最先进模型参数更少、速度更快。此外，参数高效微调方法将预训练单图像超分辨率网络迁移到立体领域，减少训练时间和内存消耗分别达57%和15%，并在四个基准测试中取得最新性能，为资源受限场景提供了实用方案。
Q&A
什么是PASSRnet，它的主要优势是什么？
PASSRnet是一种基于视差注意力机制的立体图像超分辨率网络，通过小的计算和内存成本显著提高超分辨率性能。
PAM机制在立体图像超分辨率中有什么作用？
PAM机制结合外极约束和注意力机制，有效学习立体对应关系，提升立体图像超分辨率的效果。
NAFRSSR模型的特点是什么？
NAFRSSR模型通过递归连接和轻量化模块设计，具有更少的参数和更高的超分辨率性能。
MSSFNet如何提高立体图像超分辨率的效果？
MSSFNet通过自适应选择和融合来自两个视角的特征，保留空间细节和上下文信息，从而提升超分辨率效果。
SwinFSR方法的创新点是什么？
SwinFSR结合Fast Fourier Convolution和Residual Swin Transformer，展示了其在立体图像超分辨率中的有效性和高效性。
如何将单图像超分辨率网络转移到立体图像超分辨率领域？
通过参数高效的微调方法，引入立体适配器和空间适配器，可以有效减少训练时间和内存消耗。
