基于亲和力学习的联合图像上采样方法在计算机视觉中的创新应用

本文提出了一种创新的联合图像上采样方法JUAL（Joint Image Upsampling with Affinity Learning），通过深度学习框架（如卷积空间传播网络）直接学习低分辨率（LR）与高分辨率（HR）引导图像间的任务依赖性亲和力，并将其映射至目标图像。相比传统局部线性关系建模或残差学习方法，JUAL在深度图上采样、图像平滑、风格迁移及去雾等任务中展现出更高解释性与实时性（720P图像GPU处理），为计算机视觉领域提供了高效可落地的解决方案。

　　

Highlight
联合图像上采样（Joint Image Upsampling）是通过高分辨率（HR）引导图像辅助低分辨率（LR）目标图像提升空间分辨率的关键技术，广泛应用于深度图[1][2][3]及计算密集型图像处理结果[7][8][9]的优化。

Related Work
图像分辨率提升是长期研究热点，单图像超分辨率（SISR）虽主流，但传统双线性/双三次插值方法存在局限性。

Proposed Method
我们提出基于降采样-上采样流程的图像平滑方法，并证明其在联合上采样中的优势。核心方案是通过卷积空间传播网络学习LR-HR图像间的亲和力，直接映射至目标图像，避免传统关系上采样的信息损失。

Settings
实验覆盖深度图上采样（NYU V2数据集）、图像平滑、风格迁移及去雾任务。例如，深度任务采用NYU V2前1000组图像训练，测试集包含1449组RGB/D数据。

Conclusion
JUAL创新性地将联合上采样重构为亲和力学习问题，在保持轻度平滑时效果显著，其解释性与效率（GPU实时处理）优于现有方法。未来可探索更复杂的非线性关系建模。

（注：翻译部分已去除文献标识[ ]，专业术语保留英文缩写并适配生命科学领域表述风格）