时序损失抑制超采样样本累积研究

2026年10月14日，arXiv Computer Vision 刊出 Hao Yu、Guoying Zhao 的论文，研究学习型实时超采样中时间一致性损失为何停止累积，提出“冻结历史”现象：在精确配准条件下，时间一致性损失会抑制样本累积，网络在静态内容上几乎零成本地复制其扭曲历史。研究识别出四类可被训练掩盖的配准误差，并称正确配准使静态像素上的冻结成本降低两个数量级。论文报告，在精确配准下，时间权重从0.25增加会降低PSNR 0.7至0.9 dB，该反转在三种网络家族和两种尺度上均出现；在较小时间权重与归一化样本累加器下，普通配准网络在×2、×3、×4放大至1080p时，将已发表最佳QRISP PSNR提升0.34至0.62 dB；未经重训练，在Arm抖动Bistro拍摄上至少优于经典时序上采样4.4 dB；其最精确的×4模型在H200上每1080p帧耗时2.03毫秒。上述结论均出自该论文自述，尚待独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。