120、零样本超分：无需外部数据集的单图像自监督重建方法去年做工业质检项目时遇到一个头疼的问题：产线上拍的芯片显微图像分辨率不够，但客户死活不给提供高清参考图——人家说“我要是有高清图还要你超分干嘛”。当时团队试了EDSR、RCAN这些主流模型，效果确实不错，但一换到新场景就崩，因为训练集里根本没有这种工业显微纹理。后来翻到Shocher等人2018年的ZSSR论文，才意识到零样本超分才是这类场景的救命稻草。为什么需要零样本超分传统超分模型依赖大量成对的高低分辨率图像训练。但现实中有三类场景让这条路走不通：数据获取成本极高：比如卫星遥感、医学CT、工业探伤，低分图好拿，高分图要么需要昂贵设备重拍，要么根本不存在域迁移灾难：在DIV2K上训得飞起的模型，换到你的手机夜景照片上直接糊成马赛克退化模型未知：真实世界的降质过程（模糊核、噪声、压缩伪影）远比双三次下采样复杂，预训练模型学到的退化假设根本不匹配ZSSR的核心思路很暴力：用输入图像自己训练自己。既然没有外部数据集，那就把输入的低分图当作“高清图”，手动降采样构造“低分图”，然后在这对自造数据上训练一个小网络，最后用训练好的网络去超分原始输入。零样本超分的核心流程这里直接贴我当时调试通过的代码骨架，注释里写了踩过的坑：