基于全频域扩散模型的区域特征一致性恢复框架实现真实图像超分辨率

针对盲超分辨率(BSR)任务中现有方法忽视区域特征关联性导致细节失真的问题，研究人员提出基于扩散模型(DPM)的DiffRCR框架，通过分层恢复全频域(Omni-frequency)信息与区域一致性细节再生(CDR)，在Real-ESRGAN等基准测试中实现感知质量与重建保真度的双重突破，为复杂退化场景下的图像复原提供新范式。

　　

在数字图像处理领域，盲超分辨率(Blind Super-Resolution, BSR)技术长期面临复杂退化场景下的细节失真难题。现有基于生成对抗网络(GAN)的方法如BSRGAN和Real-ESRGAN虽能生成视觉上合理的细节，却常因忽视区域特征关联性而产生过度锐化或纹理不一致的伪影。更棘手的是，不同图像区域的退化模式存在显著差异——细节丰富区域的全频域(Omni-frequency)退化与平滑区域的中低频(MF/LF)退化需要差异化处理策略。这种区域特性与恢复程度的不匹配，严重制约了真实场景下的超分辨率应用效果。

针对这一瓶颈，来自黄实验室的研究团队在《Expert Systems with Applications》发表创新性成果，提出基于扩散概率模型(Diffusion Probabilistic Model, DPM)的DiffRCR框架。该研究首次将全频域分析与区域一致性约束融入扩散模型，通过分层恢复机制实现退化特征的精准匹配。实验表明，该方法在保持PSNR等传统指标优势的同时，在感知质量指标上超越现有SOTA方法达15%，尤其对云层、树叶等易失真区域的恢复效果显著提升。

关键技术方法包括：1) 构建T步马尔可夫链的扩散模型基础框架；2) 区域分层恢复模块(RHR)实现高频(HF)、中频(MF)、低频(LF)的差异化处理；3) 基于上下文语义的细节再生模块(CDR)确保区域特征一致性。测试数据来自RealSR、DRealSR等真实图像数据集，与BSRGAN、SwinIR等方法进行跨数据集对比。

研究结果方面：

1. 层次化频域恢复：RHR模块通过多层级特征融合，在扩散模型的第5-8步重点修复低频基础结构，第9-12步处理中频过渡区域，13-16步专注高频细节，使不同退化区域获得自适应恢复。定量分析显示该方法在平滑区域的SSIM提升0.08，细节区域的LPIPS降低0.12。
2. 区域一致性生成：CDR模块利用3×3邻域的高频特征关联性，通过注意力机制约束细节生成方向。可视化对比显示，传统方法在红色标注的云层区域产生27%过锐化伪影，而DiffRCR仅出现5%的异常纹理。
3. 跨数据集验证：在包含未知混合退化的RealSR测试集上，DiffRCR的NIQE指标较Real-ESRGAN降低1.2，表明其更接近自然图像的统计特性。消融实验证实，单独移除RHR会导致高频细节恢复率下降34%，而去除CDR则使区域一致性评分降低41%。

结论部分强调，该研究首次实现三个关键突破：1) 建立退化区域与频域分层的映射关系；2) 通过扩散模型的迭代细化特性实现渐进式恢复；3) 创造性地将上下文语义约束引入细节生成。讨论指出，未来可结合Vision Transformer进一步提升跨区域关联建模能力，同时在医疗影像等专业领域验证其泛化性。这项工作不仅为BSR任务提供新思路，其"分析-解耦-再生"的技术路线对图像修复、医学成像等领域均有重要启示。