在阁楼角落的纸箱里，你翻出一卷二十年前的结婚录像带。放进播放机，画面里的人脸糊成色块，雪花点点，唯一的感受是“时间把它弄脏了”。你找到一位名声在外的老画师——他自称“时间画师”。拿到带子后，他不急着下笔，而是把每一帧投影到墙上，一帧帧端详，甚至倒回去反复看。他说：“我不看一张照片，我看整段时光；前一帧、后一帧，都是我的目击证人。”AI 视频超分重建技术，做的正是这件事：在低清模糊的视频里，让相邻帧彼此作证、互相补充，把丢失的高清细节一点点“追”回来。本文会用这个故事，带你把这项技术从概念、算法到工程落地完整走一遍。

岗位关联

学会视频超分，意味着你掌握了短视频、老片修复、安防监控等多个高价值场景的核心算法能力，从数据构造到模型落地的完整链路都能上手。

目录
  1. 可视化演示
  2. 超分基本概念
  3. 核心算法流派
  4. 数据与训练
  5. 工程落地实践
  6. 典型应用场景
  7. 评估与优化
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示视频超分流水线、分辨率提升对比与模型架构演进，支持放大倍数调节。

本节配有交互动效（进入视口后自动加载，约 3KB）。

视频超分流水线 紫色帧对齐模块将相邻帧与参考帧进行空间对齐 青色时序融合提取多帧互补信息恢复高频细节 Align → Fuse → Extract → Reconstruct 四阶段流水线利用时序信息实现视频超分重建

超分基本概念

上任第一课，时间画师把录像带倒进老式放映机，一格一格地看。他发现“糊”不是一种原因造成的：磁粉脱落让画面起斑点，镜头老化让边缘发毛，机器抽帧让细节变稀。这一整套“把高清画面弄糊”的过程，在 AI 里叫退化模型（degradation model）。

我们用数学把退化过程写下来：一张高清画面（真值）先被镜头模糊，再被摄像机抽掉一部分像素，最后混入传感器噪声，变成你看到的低清画面。视频超分要做的，就是根据低清结果，逆向还原出高清真值。

视频超分和图像超分最大的不同，恰在于“时间”。图像超分像画师只看一张照片，缺了的地方只能凭经验猜；视频超分则像看一整卷胶片，前一帧后一帧都是目击证人。比如人脸上一个被抹掉的痣，前 10 帧里每一帧都还留着淡淡的影子，多帧一投票，痣的位置就出来了。这就是时域信息的价值。

明白了这点，画师合上放映机，心里已有底：修复不是凭空想象，而是让时间出来作证。

IL=(IH⊗K)↓s+nI_L = (I_H \otimes K) \downarrow_s + n
这个公式就像录音带的“磨损说明书”：清楚的是怎么糊的，也就知道该往哪个方向修。
  1. 高清原图 \(I_H\)这是画师理想中“最清楚的真相”，即拍摄时原本应该记录下的高清画面。
    IH∈RH×W×CI_H \in \mathbb{R}^{H \times W \times C}
  2. 模糊核 \(K\) 与卷积 \(\otimes\)镜头老化或失焦，相当于用一块“毛玻璃”把画面抹了一遍，让锐利边缘变柔和。
    Iblur=IH⊗KI_{blur} = I_H \otimes K
  3. 下采样 \(\downarrow_s\)摄像机感光元件不够密，每隔 s 个像素才留下一个，细节就这样被“抽稀”了。
    Ismall=(IH⊗K)↓sI_{small} = (I_H \otimes K) \downarrow_s
  4. 噪声 \(n\)传感器发热和磁带老化带来随机雪花点，让每个像素值都不那么可信。

核心算法流派

画师的行当里也有流派。有的靠绣花功夫一针一针补，有的靠超强记忆记住全程，有的靠想象力以假乱真，还有的上来就把整部片子看一遍。对应到算法，就是四类主流方法。

卷积网络派以 SRCNN 为代表，最老实：先把每一帧的小方块提出来做特征提取，再用非线性变换“补细节”，最后重建成高清图。相当于画师先勾轮廓、再画肌肉、最后上色，三步分工明确。它是视频超分的地基，后来的模型大多在它的骨架上加料。

循环网络派（RRN）有记忆力。画师边看边打草稿，每看一帧就把草稿更新一次——新画的内容总是叠加在旧草稿上。用公式表达就是：当前记忆由上一帧记忆与当前帧特征共同决定。

生成对抗派（GAN）请来一位苛刻的裁判：生成器拼命画，裁判拼命挑毛病，直到裁判分不清真假。Transformer 派则用全局注意力，把几百帧之外的线索也拉进来，视野最开阔。如今的顶级系统，往往是把几派画师请进同一个工作室，各司其职。

无论哪派，核心都是让“时间证人”进到算法里——记忆派靠底稿、全局派靠长距离扫描，本质都是在榨干时间维度的信息。

ht=σ(Whht−1+Wxφ(IL,t)+b)h_t = \sigma(W_h h_{t-1} + W_x \varphi(I_{L,t}) + b)
这就像画师在脑中留了一张“半成品底稿”：每看一帧新画面，底稿就修正一次，越往后底稿越接近真相。
  1. 记忆状态 \(h_t\)画师脑中那幅“半成品底稿”，保存了从第 1 帧到第 t 帧积累的全部信息。
    hth_t
  2. 上一帧记忆 \(W_h h_{t-1}\)旧底稿按权重“传承”到当前，权重越大，画师越依赖过去记忆。
    Whht−1W_h h_{t-1}
  3. 当前帧特征 \(W_x \varphi(I_{L,t})\)先用 \(\varphi\) 从低清当前帧里抽出有用线索（轮廓、边缘、纹理），再乘权重变成新输入。
    Wxφ(IL,t)W_x \varphi(I_{L,t})
  4. 激活函数 \(\sigma\) 与偏置 \(b\)像画师的“手感”，把相加结果做非线性压缩，防止底稿越积越夸张，同时保留表达能力。
    ht=σ(⋅),bh_t = \sigma(\cdot) ,\quad b

数据与训练

画师学艺要练基本功。可问题来了：世界上没有“对应高清版的旧录像带”可以当标准答案——真正的老带子从来没有高清原片。于是师傅们想了个办法：先拿高清视频，人为地“做旧”。

这步叫退化仿真。随机挑一个模糊核模拟镜头老化，随机缩小几倍模拟低分辨率，再随机加噪声和压缩痕迹，模拟几十种年代不同的“旧带子”。模型就在这些“高清→做旧”的成对数据上反复练习，学到的就是“倒放退化”的本领。

光生成数据还不够，视频还要做时序数据增强：随机裁剪、翻转、抽掉中间帧、变速播放。这相当于让画师刻意练习“半秒钟没看清的地方，靠上下句补出来”——练得越多，遇到真实残缺画面时越从容。

训练时，师傅用三重标准给画师打分：

三重标准缺一不可：只重视重建会得到“像素精确但油腻模糊”的画面；只重视对抗会得到“看着真但细节乱编”的画面。画师正是在这三股力量拉扯中，练出真正的手艺。

L=Lrec+λ1Ladv+λ2Ltemp\mathcal{L} = \mathcal{L}_{rec} + \lambda_1 \mathcal{L}_{adv} + \lambda_2 \mathcal{L}_{temp}
三重标准就像师傅的评语：画得像不像（重建）、看起来真不真（对抗）、时间顺不顺（一致）。
  1. 重建损失 \(\mathcal{L}_{rec}\)把画作和高清真图逐像素对比，通常用 L1 或 L2 距离，保证“画得像”。
    Lrec=E[∥I^H−IH∥1]\mathcal{L}_{rec} = \mathbb{E}\left[\| \hat{I}_H - I_H \|_1\right]
  2. 对抗损失 \(\mathcal{L}_{adv}\)裁判（判别器）说“这图是假的”，生成器就继续改，直到裁判认不出，保证“看起来真”。
    Ladv=E[log⁡D(IH)]+E[log⁡(1−D(I^H))]\mathcal{L}_{adv} = \mathbb{E}\left[\log D(I_H)\right] + \mathbb{E}\left[\log(1 - D(\hat{I}_H))\right]
  3. 时间一致损失 \(\mathcal{L}_{temp}\)惩罚相邻帧之间不该出现的闪跳与抖动，保证画面“时间顺”。
    Ltemp=E[∥I^H,t−I^H,t−1∥22]\mathcal{L}_{temp} = \mathbb{E}\left[\| \hat{I}_{H,t} - \hat{I}_{H,t-1} \|_2^2\right]
  4. 权重 \(\lambda_1, \lambda_2\)师傅的“偏心程度”，觉得哪项重要就把它的系数调大。

工程落地实践

学成下山，画师第一次接到商业大单：修复一部 120 分钟的老电影，一秒钟 30 帧，每帧只有约 33 毫秒的预算。画师意识到，追求极致画质还不够，还得快。

第一步是模型轻量化。知识蒸馏让大师带一个学徒级小模型，把毕生功力压缩进小模型；剪枝删掉从不使用的“笔触”；量化用更少的颜色层级表示画面。模型小了，速度自然快。第二步是升级画具——用亚像素卷积加速上采样。

传统做法先把画面放大再算卷积，计算量巨大；亚像素卷积则先在低分辨率下算完所有特征，最后一步用“重排”操作一次性放大 r 倍。这相当于画师先在草稿纸上画好细节，再一口气把纸放大成壁画，而不是在壁画上慢慢描。

第三步是流式视频处理：不把整部电影读进内存，而是维护一个几帧的滑动窗口，边看边修边输出。直播场景里，延迟就靠这个窗口被压到几十毫秒。

大师没有换更差的技术，只是换了更轻便的画具——轻量化、亚像素卷积、流式处理三件套，让画师从“慢工出细活”变成“快手出好活”。

IH=PS(F),F∈Rr2C×H×WI_H = \mathcal{PS}(F), \quad F \in \mathbb{R}^{r^2 C \times H \times W}
亚像素卷积像“拼图放大”：把 r² 组小图按位置交错拼成一张大图，一步到位，省掉高分辨率卷积的巨额开销。
  1. 特征图 \(F\)低分辨率尺寸 \(H \times W\) 下的深度特征，通道数被刻意扩到 \(r^2 C\)，相当于把大图的信息压缩打包在通道里。
    F∈Rr2C×H×WF \in \mathbb{R}^{r^2 C \times H \times W}
  2. 放大倍数 \(r\)目标放大倍数。2 倍超分时 r=2，4 倍时 r=4，通道数分别膨胀 4 倍、16 倍。
    r=2,3,4,…r = 2, 3, 4, \dots
  3. 重排算子 \(\mathcal{PS}\)（Pixel Shuffle）把通道维度的像素“摊开”到空间上，\(r^2 C\) 个通道按顺序交错填入大图，一次完成放大。
    IH=PS(F)I_H = \mathcal{PS}(F)

典型应用场景

有了手艺，客户便纷至沓来。每个客户需求不同，但画师的本事是同一套：让时间作证。

老片修复是元老级客户。去噪、去隔行、超分辨串成流水线，把 720p 的老电影推向 4K 修复版。修复前要先算清楚一笔账：放大倍数直接决定输出分辨率和存储成本。

安防监控是第二类客户：高清摄像头太贵，那就让算法把 30 万像素的监控画面放大到能看清车牌。监控视频有一个特点——目标在长时间内反复出现，算法可以从连续几十帧里“拼”出车牌数字。直播平台是第三类客户：观众网络带宽有限，主播侧先传低码率视频，观众侧用超分模型“补妆”，实现不增加带宽的画质提升。

这三个场景看似天差地别，本质都是同一个动作：把模糊的时间重新看清楚。

WH=r⋅WL,HH=r⋅HLW_H = r \cdot W_L, \quad H_H = r \cdot H_L
这个公式是“画面面积账本”：放大 r 倍，宽和高各乘 r，画布面积则乘 r²，存储和带宽成本跟着翻倍。
  1. 低清尺寸 \(W_L, H_L\)老录像带的原始宽高，比如 1280×720。
    WL=1280,HL=720W_L = 1280, \quad H_L = 720
  2. 放大倍数 \(r\)客户要求放大几倍，2 倍是常见选择，4 倍就需要更强的模型与更贵的算力。
    r=2r = 2
  3. 高清尺寸 \(W_H, H_H\)放大后的输出宽高，面积扩大 \(r^2\) 倍，这直接决定存储、带宽和播放性能预算。
    WH×HH=r2(WL×HL)W_H \times H_H = r^2 (W_L \times H_L)

评估与优化

画师交作业，客户总要验收。问题来了：怎么判断“修得好”？肉眼会骗人，于是行业里发明了两把“尺子”，外加一场“观众投票”。

第一把尺子叫 PSNR（峰值信噪比），它拿重建图和真图逐像素做差，算均方误差，再换算成分贝。

第二把尺子叫 SSIM（结构相似性），它更聪明：不像 PSNR 那样只盯像素颜色差，而是把亮度、对比度、结构三者分开比较，再相乘得到一个 0 到 1 的分数。结构像，分数就高。

尺子也有失灵的时候：生成对抗式超分常常 PSNR 不高，人眼却觉得“哇，真清楚”。所以最终验收还要请真人评委做主观评测（MOS 打分），甚至 A/B 对比。尺子管客观，眼睛管感觉，两者结合才能把画师的作品评得公道。

PSNR=10log⁡10(MAX2MSE)\text{PSNR} = 10 \log_{10}\left(\frac{MAX^2}{\text{MSE}}\right)
SSIM 像评委分三个维度打分：光线亮不亮、层次明显不明显、骨架像不像，三项乘积定总分。
  1. 亮度项 \(l(x,y)\)比较两幅图的平均亮度，整体太暗或太亮都扣分。
    l(x,y)=2μxμy+c1μx2+μy2+c1l(x,y) = \frac{2\mu_x \mu_y + c_1}{\mu_x^2 + \mu_y^2 + c_1}
  2. 对比度项 \(c(x,y)\)比较两幅图的明暗起伏幅度，纹理太“平”或太“炸”都扣分。
    c(x,y)=2σxσy+c2σx2+σy2+c2c(x,y) = \frac{2\sigma_x \sigma_y + c_2}{\sigma_x^2 + \sigma_y^2 + c_2}
  3. 结构项 \(s(x,y)\)比较两幅图局部结构的相关系数，边缘和骨架是否呼应，这是 SSIM 最核心的一票。
    s(x,y)=σxy+c3σxσy+c3s(x,y) = \frac{\sigma_{xy} + c_3}{\sigma_x \sigma_y + c_3}

AI 应用场景

老电影数字化修复

阶段：数据合成与离线批处理推理

解决的问题：传统修复靠人工逐帧修补，一部电影要数月。AI 先用退化仿真造出“高清→做旧”配对数据训练模型，再自动执行去噪、去隔行、超分，把人力成本降到原来的十分之一。

具体案例：某视频平台将 1980 年代的 720p 电视剧通过视频超分模型放大 4 倍并去除雪花噪点，输出 2K 修复版上线点播。字幕、人脸、场景细节均得到明显增强，播放量提升 30%。

安防监控画面增强

阶段：实时/近实时推理

解决的问题：老式监控只有 30 万像素，嫌疑人车牌放大后糊成一片。AI 视频超分利用多帧时间信息——车在动，车牌在连续几帧里反复出现——把数字“拼”出来。

具体案例：某市公安系统对案发时段监控片段做 4 倍超分，成功识别出车辆号牌与体貌特征，协助锁定嫌疑人，破案时间从一周缩短到两天。

直播与短视频画质提升

阶段：流式实时处理

解决的问题：低码率直播画面充满压缩块和噪点。超分模型在接收端用滑动窗口逐帧重建，在不大幅增加带宽的情况下提升主观画质。

具体案例：某短视频平台对上传的 480p 视频实时超分至 1080p，用户清晰度投诉率下降 40%，同时后台统计的完播率上升。

Python 演示

python57 行
import numpy as np def make_video(frame_num=8, h=16, w=16):    """生成一段静止小球的模拟视频，作为高清真值"""    frames = []    for t in range(frame_num):        frame = np.zeros((h, w), dtype=np.float32)        frame[5:11, 5:9] = 1.0        frames.append(frame)    return np.stack(frames) def to_low_res(frames, s=2, noise_std=0.2):    """模拟拍摄退化：下采样 + 加噪"""    lr = frames[:, ::s, ::s]    rng = np.random.RandomState(0)    noisy = lr + rng.normal(0, noise_std, lr.shape)    return np.clip(noisy, 0.0, 1.0) def upscale_bilinear(lr, s=2):    """双线性插值放大单帧，作为单帧超分基线"""    n, h, w = lr.shape    hr = np.zeros((n, h * s, w * s), dtype=np.float32)    for t in range(n):        for i in range(h * s):            for j in range(w * s):                x = min(i / s, h - 1 - 1e-6)                y = min(j / s, w - 1 - 1e-6)                x0, y0 = int(x), int(y)                dx, dy = x - x0, y - y0                x1, y1 = min(x0 + 1, h - 1), min(y0 + 1, w - 1)                hr[t, i, j] = (lr[t, x0, y0] * (1 - dx) * (1 - dy)                               + lr[t, x1, y0] * dx * (1 - dy)                               + lr[t, x0, y1] * (1 - dx) * dy                               + lr[t, x1, y1] * dx * dy)    return hr def temporal_fusion(lr, s=2, radius=2):    """时序融合：相邻帧上采样结果平均，让目击证人投票降噪"""    up = upscale_bilinear(lr, s)    n = up.shape[0]    out = np.zeros_like(up)    for t in range(n):        lo, hi = max(0, t - radius), min(n, t + radius + 1)        out[t] = up[lo:hi].mean(axis=0)    return out def psnr(a, b, max_val=1.0):    mse = np.mean((a - b) ** 2)    return 10.0 * np.log10(max_val * max_val / mse) hr = make_video()lr = to_low_res(hr)base = upscale_bilinear(lr, 2)fused = temporal_fusion(lr, 2, radius=2)print("单帧双线性超分 PSNR: %.2f dB" % psnr(base, hr))print("时序融合超分 PSNR: %.2f dB" % psnr(fused, hr))assert psnr(fused, hr) > psnr(base, hr), "融合未提升，请检查参数"
目的：用一个静止小球视频演示视频超分的核心思想——单帧双线性放大作为基线，时序融合让相邻帧“目击证人”投票，PSNR 显著提升。
  1. lr = frames[:, ::s, ::s]用切片实现下采样，模拟摄像机丢像素，是最直观的“退化”写法。
  2. rng = np.random.RandomState(0)固定随机种子，保证每次运行加噪结果一致，实验结果可复现。
  3. lr[t, x0, y0] * (1 - dx) * (1 - dy)双线性插值按距离加权取四个近邻像素，把低清图放大的同时避免锯齿。
  4. out[t] = up[lo:hi].mean(axis=0)相邻帧上采样结果求平均，相当于召集目击证人对每个像素投票，独立噪点被相互抵消。
  5. psnr(a, b)用 PSNR 这把“尺子”量化重建效果，数值越高说明越接近高清真值。
  6. assert psnr(fused, hr) > psnr(base, hr)用断言证明时序融合确实强于单帧处理；真实场景还需光流对齐后再融合，避免运动物体重影。

常见误区

误区我以为视频超分就是图像超分的“循环播放”，把每一帧用同一套模型单独放大，拼回去就是高清视频了。

正解视频超分的灵魂在“时间”。模型会先做帧间对齐（让画师追踪移动物体的轨迹），再把相邻帧信息融合。单帧处理会浪费大量时域线索，还会导致相邻帧亮度不一致，出现闪屏和抖动。

为何常见：大多数人先接触图像超分，思维惯性认为视频只是图像的简单序列，忽略了帧与帧之间的关联。

误区既然能 2 倍超分，那 8 倍、16 倍岂不是越猛越好？直接一步到 8K！

正解倍数越大，缺失的信息越多，模型只能靠“猜”，细节会变成幻觉——画面出现没来由的纹理甚至扭曲。业界通常单次放大 2-4 倍，更大倍数采用级联放大，分多步逐步过渡，每步都重新校正。

为何常见：厂商宣传“8K 修复”让人误以为倍数越高越先进，忽略了信息论的基本约束：凭空造不出细节。

误区评测报告里 PSNR 第一的就是最好的模型，直接照着选型准没错。

正解PSNR 只度量逐像素误差，对“纹理平滑但结构假”的画面不敏感。生成对抗式超分经常出现“PSNR 低但人眼见更真实”的情况，必须结合 SSIM 与主观评测一起判断。

为何常见：PSNR 是数值指标，最容易自动化比较，让人偷懒只盯排行榜，而忽略了人的主观感受。

误区多找点网上视频喂给模型，效果自然就上来了，数据是万能的。

正解视频超分训练吃的是“高清→退化”的配对数据，关键在于退化仿真分布是否匹配目标场景。老片修复要模拟磁带噪声，直播增强要模拟压缩伪影，素材再多，退化类型不匹配，模型照样“水土不服”。

为何常见：大数据时代“数据为王”的直觉被过度推广，忽略了领域适配比数据量更本质。

面试题

Q1. 视频超分与图像超分的本质区别是什么？

单选题 · easy

  • A.视频超分多利用相邻帧的时域信息← 正确答案
  • B.图像超分不需要任何神经网络
  • C.视频超分只能用来修复老电影
  • D.图像超分效果一定优于视频超分

答案：A。视频超分和图像超分最大差异在于是否利用时域信息——前者有一群目击证人（相邻帧），后者只有一个证人（单张图）。B 错在图像超分也需要神经网络，C 过于绝对，D 没有依据。

Q2. 退化模型 \(I_L=(I_H\otimes K)\downarrow_s+n\) 中，符号 \(\downarrow_s\) 表示什么？

单选题 · easy

  • A.将图像缩小 s 倍的下采样← 正确答案
  • B.将图像放大 s 倍的上采样
  • C.给图像添加固定幅度的噪声
  • D.对图像做整体模糊处理

答案：A。\(\downarrow_s\) 是下采样，模拟摄像机感光元件抽稀像素，像把照片裁掉大部分细节。B 方向反了，C 对应的是噪声项 n，D 对应的是模糊核 K。

Q3. 文章中“目击证人”最接近以下哪项信息？

单选题 · easy

  • A.相邻视频帧提供的补充细节← 正确答案
  • B.高清摄像头的硬件参数
  • C.视频文件的压缩码率大小
  • D.训练数据的标注质量

答案：A。目击证人是比喻，指一帧看不清时，靠前后相邻帧的重复出现来印证细节。B、C、D 分别讲硬件、码率和标注，都与时域信息无关。

Q4. SRCNN 三个主要阶段的正确顺序是？

单选题 · mid

  • A.特征提取、非线性映射、重建← 正确答案
  • B.重建、特征提取、非线性映射
  • C.非线性映射、重建、特征提取
  • D.特征提取、重建、非线性映射

答案：A。SRCNN 模仿画师三步走：先勾轮廓（特征提取）、再画肌肉（非线性映射）、最后上色（重建）。其他选项顺序颠倒，等于先上色再画轮廓，逻辑不成立。

Q5. 循环网络视频超分中，状态 \(h_t\) 的角色是什么？

单选题 · mid

  • A.保存到当前帧为止的视频记忆← 正确答案
  • B.保存单帧图像的像素均值
  • C.存储所有训练样本的标签
  • D.输出最终序列的唯一结果

答案：A。\(h_t\) 是循环网络的隐状态，相当于画师脑中不断更新的“半成品底稿”，累积了从第 1 帧到第 t 帧的信息。B、C、D 都与隐状态的定义不符。

Q6. 哪些做法属于视频超分训练中的数据增强？

多选题 · mid

  • A.随机裁剪与水平翻转视频块← 正确答案
  • B.随机丢弃若干中间帧← 正确答案
  • C.修改损失函数的权重系数
  • D.对视频片段进行变速播放← 正确答案

答案：ABD。数据增强针对视频本身做变换：裁剪翻转、抽帧、变速都让模型见到更多“损坏形态”。修改损失权重属于训练策略，不属于数据增强。

Q7. PSNR 数值越大说明什么？

单选题 · mid

  • A.重建图与真图的像素误差越小← 正确答案
  • B.重建图输出的文件体积越大
  • C.模型的参数量一定越多
  • D.视频的帧率一定越高

答案：A。PSNR 由均方误差换算而来，误差越小数值越大，像尺子量像素偏差。它与文件体积、参数量、帧率没有直接关系，不能从 PSNR 反推这些属性。

Q8. 下列哪些是视频超分训练中常用的损失函数？

多选题 · hard

  • A.L1 或 L2 像素重建损失← 正确答案
  • B.对抗生成网络损失← 正确答案
  • C.时间一致性损失← 正确答案
  • D.数据库排序损失

答案：ABC。视频超分用重建损失保“像”、对抗损失保“真”、时间一致损失保“稳”。数据库排序损失常见于检索任务，与超分无关。

Q9. 亚像素卷积把特征图通道数变成 \(r^2 C\) 后再重排，目的是什么？

单选题 · hard

  • A.一步实现 r 倍放大，避免高分辨率卷积← 正确答案
  • B.增加噪声以提升模型鲁棒性
  • C.将总参数压缩到原来的十分之一
  • D.让视频输出帧率自动翻倍

答案：A。亚像素卷积先在低分辨率特征图上算完，再把通道“摊开”成空间像素，一次性放大 r 倍，省去高分辨率卷积的巨大开销。增加噪声、压缩参数、翻倍帧率都不是它的作用。

Q10. 关于视频超分的质量评价，下列说法正确的有？

多选题 · extreme

  • A.PSNR 只衡量逐像素误差← 正确答案
  • B.SSIM 同时关注亮度、对比度与结构← 正确答案
  • C.GAN 式超分 PSNR 低但观感可能更佳← 正确答案
  • D.主观评价可采用 MOS 评分方式← 正确答案

答案：ABCD。四个说法都正确。PSNR 只看逐像素差异；SSIM 分亮度、对比度、结构三项；GAN 式超分常出现指标与观感背离；MOS 是标准的主观评分方法。评价讲究“尺子 + 眼睛”结合，缺一不可。