GaussianSR: High Fidelity 2D Gaussian Splatting for Arbitrary-Scale Image Super-Resolution

隐式神经表示法（INR）已经显著推进了图像任意尺度超分辨率（ASSR）领域的发展。大多数现有的基于INR的ASSR网络首先使用编码器从给定的低分辨率图像中提取特征，然后通过多层感知器解码器呈现超分辨率结果。尽管这些方法显示了有希望的结果，但是它们的性能受到编码特征中离散潜在代码的有限表现能力的限制。在本文中，我们提出了一种名为GaussianSR的新型ASSR方法，它通过2D高斯喷溅（2DGS）克服了这种限制。与将像素视为离散点的传统方法不同，GaussianSR将每个像素表示为连续的高斯场。通过呈现互相堆叠的高斯场，编码特征同时得到了精炼和上采样。因此，建立了长距离的依赖关系以增强表现能力。此外，开发了一个分类器来动态分配高斯核到所有像素，以进一步提高灵活性。GaussianSR的所有组件（即编码器、分类器、高斯核和解码器）都是端到端地联合学习的。实验表明，GaussianSR在享受可解释和内容感知的特征聚合的同时，比现有方法具有更少的参数，实现了优越的ASSR性能。

本论文旨在解决图像超分辨率问题中，离散的编码特征对表征能力的限制。提出了一种名为GaussianSR的新方法，通过2D高斯喷洒技术将像素表示为连续的高斯场，以增强表征能力。

GaussianSR方法采用2D高斯喷洒技术将像素表示为连续的高斯场，并通过同时渲染相互堆叠的高斯场来对编码特征进行细化和上采样，以建立长距离依赖关系，提高表征能力。此外，通过分类器动态分配高斯核来进一步提高灵活性。

论文通过实验验证了GaussianSR方法在图像超分辨率方面的卓越性能，同时具有更少的参数和可解释的内容感知特征聚合。此外，论文还开源了代码。

与本论文相关的研究包括：Implicit neural representations (INRs)、arbitrary-scale super-resolution (ASSR)、encoder-decoder结构等。