摘要
由于超分辨率（Super-Resolution, SR）问题具有“一对多”的特性，一幅低分辨率（Low-Resolution, LR）图像可对应多个合理的高分辨率（High-Resolution, HR）图像。然而，基于学习的SR算法在训练过程中通常被设计为将LR图像映射至训练数据集中对应的真值（Ground Truth, GT）HR图像。当输出结果与GT目标不完全一致时，即使其在数学上符合SR框架的合理解，训练损失仍会增加并惩罚该输出。这一问题在盲超分辨率（blind SR）场景下尤为突出，因为未知的多样化模糊核进一步加剧了问题的病态性（ill-posedness）。为此，本文提出一种根本性不同的SR方法，引入“自适应目标”（adaptive target）的概念。该自适应目标通过某种变换从原始GT目标生成，以匹配SR网络的输出特征。通过引入自适应目标，算法能够有效应对SR问题的病态性，赋予其接受多种合理解的灵活性。实验结果表明，所提方法在提升HR输出的感知质量方面具有显著效果，尤其在盲超分辨率任务中表现优异。