【超分辨率专题】PiSA-SR：单步Diff超分新突破，即快又好，还能在线调参

---

本文将对《Pixel-level and Semantic-level Adjustable Super-resolution: A Dual-LoRA Approach》这篇文章进行解读，这是一篇关于SR领域内的单步Diff技术方案，简称PiSA🍕，跟OSEDiff是同一个研究团队，性能和功能都会优于OSEDiff。参考资料如下：
参考资料如下：
[1]. PiSA论文地址
[2]. PiSA代码地址

---

专题介绍

现在是数字化时代，图像与视频早已成为信息传递的关键载体。超分辨率（super resolution，SR）技术能够突破数据源的信息瓶颈，挖掘并增强低分辨率图像与视频的潜能，重塑更高品质的视觉内容，是底层视觉的核心研究方向之一。并且SR技术已有几十年的发展历程，方案也从最早的邻域插值迭代至现今的深度学习SR，但无论是经典算法还是AI算法，都在视觉应用领域内发挥着重要作用。

本专题旨在跟进和解读超分辨率技术的发展趋势，为读者分享有价值的超分辨率方法，欢迎一起探讨交流。

系列文章如下：
【1】SR+Codec Benchmark
【2】OSEDiff

一、研究背景

在图像复原任务中，像素级保真度和语义级感知在一定程度上是相互矛盾的，很多研究致力于解决这种矛盾，但难度很大。有一种解决方式是提供可灵活调整效果的方案，即无需训练，动态调整模型推理结果，以适应不同应用和个人喜好。

前几年有人提出交互式的SR方法来控制恢复强度，通过制作不同程度的退化数据对（如噪声和模糊），配合控制向量（作为输入），从而训练出可调模型。修改控制向量，使得模型给出不同程度平滑或增强的输出，这类方案比较依赖于数据退化策略。

如今有一些基于stable diffusion（SD）的多步SR方法，在每个采样步骤使用特定的引导策略（如CFG，Classifier-free guidance）来调整不同级别的语义丰富度，但精确控制和效率方面有所不足。

该论文则提出了一种名为PiSA-SR的新型超分辨率框架，通过基于预训练SD模型的双LoRA设计，将像素级保真度与语义级增强目标解耦。具体而言：

1. 双LoRA架构：分别使用L2损失优化像素级LoRA（消除噪声/模糊），结合LPIPS损失和分类器分数蒸馏（classifier score distillation，CSD）损失优化语义级LoRA（生成丰富细节）。

2. 灵活调控：推理阶段通过调整像素级（${\lambda }_{pix}$）和语义级（${\lambda }_{sem}$）引导因子，用户可自定义输出风格（如保真优先或细节增强）。

3. 高效性能：实验表明，PiSA-SR在合成与真实数据集上均优于现有方法（如StableSR、OSEDiff），且仅需单步扩散即可实现最优效果，参数量和推理时间显著降低。

先上效果，爱因斯坦靓照。直观看，的确实现了效果控制。

• 像素级增强：从下至上（${\lambda }_{pix}$↑）逐步去噪，但顶部区域可能丢失细节。

• 语义级增强：从左至右（${\lambda }_{sem}$↑）细节更丰富，但最右侧可能出现过增强（如爱因斯坦的面部纹理变得不太自然，皱纹、胡子等）。

这种灵活的调整能力也是该方案的最大亮点之一。对于主观评价来说，参数可调在实际应用中可太重要了！毕竟萝卜青菜各有所爱，重训或微调模型的成本太高。

该方案也是直接以LQ为输入的单步Diff SR，可以先了解一下OSEDiff，这篇可以算是OSEDiff的升级版，均由同一个研究团队发表。多步Diff、OSEDiff和PiSA-SR的框架区别如下。

二、方法细节

具体方案主要分为两个部分

1. 建立SR的残差学习模型，引入双LoRA解耦像素级回归和语义级增强的学习目标
2. 提出像素和语义引导，实现灵活的SR结果生成。

在图像复原领域内，很早就有人提出过残差学习的方案，用于降噪和超分。但Diffusion Model需要多步迭代，直接应用残差学习有难度。然而，单步Diff的提出，又使残差学习策略具有了可行性。残差学习的优势在于，

• 有助于模型从HQ特征中学习所需的高频信息。
• 加速模型训练过程的收敛，且学残差可降低优化复杂度。

论文中在潜空间做残差学习，其主要公式如下
$$z_H=z_L-\lambda {ϵ}_{\theta }(z_L)$$

训练时λ固定为1。推理阶段则可以基于用户喜好进行调整。下面讨论该如何围绕这个关键公式来实现最终目标。

2.1 目标解耦小妙招：双LoRA训练策略

上面提过，要保证像素级和语义级的双重复原是比较困难的（具有一定矛盾性）。有用双阶段训练方式，但会导致误差传递；也有用双独立模型训练，会增加计算负担。而作者提出了有别于这两种方式的新思路，用LoRA微调技术来实现像素目标和语义目标的解耦。

训练框架如上图，先训练上半部分，后训练下半部分（蓝框，PiSA LoRA）。

• 首先，构建一个VAE encoder + SD + VAE decoder的主网络架构，参数均冻结。
• 其次，在SD中引入两个可训练的LoRA模块。
• 接着，由于LQ图像受到噪声、模糊和下采样等退化的破坏，因此先训练**像素级LoRA（Pixel-level LoRA，红框部分） ** 以减少损坏的影响，其参数记为$\Delta {\theta }_{\text{pix}}$，这部分输出则可表示为$z_H^{\text{pix}}=z_L-{ϵ}_{{\theta }_{\text{pix}}}(z_L)$。
• 然后，为了增强语义效果，进一步训练语义级LoRA（SemAntic-level LoRA，蓝框部分）。这里会将训练好的$\Delta {\theta }_{\text{pix}}$先冻结，然后与SemAntic-level LoRA（$\Delta {\theta }_{\text{sem}}$）组合，成为PiSA LoRA，重点训练$\Delta {\theta }_{\text{sem}}$，这确保了优化过程专注于语义细节，而不会受到$\Delta {\theta }_{\text{pix}}$的太多干扰。其输出则表示为$z_H^{\text{sem}}=z_L-{ϵ}_{{\theta }_{\text{PiSA}}}(z_L)$。

所以，PiSA LoRA模块即具备像素级复原能力，又有语义级增强能力。推理阶段跑它就够了，那单独的Pixel-level LoRA有何用？后续再说。先来看下关键的损失函数。

2.2 像素和语义的双损失约束

其实从上面的流程图就可以看出，训练Pixel-level LoRA采用了L2 Loss（像素级约束），训练SemAntic-level LoRA采用LPIPS Loss + CSD Loss（语义级约束）。

作者展示了不同损失约束下的残差输出，如下图。可以看到L2损失的结果以降噪和边缘增强为主，但缺少语义基本的细节，看不出“鸟头”结构。

而LPIPS虽说可以将深层特征与预训练分类器VGG对齐来激活语义细节，但VGG能力也有限。于是采用了能力更强的SD模型，CSD损失约束，并构建隐分类器（也就是CFG的思路），CSD的梯度公式表征为
$$\nabla {\ell }_{CSD}^{{\lambda }_{\text{dfg}}}={\mathbb{E}}_{t,ϵ,z_t,c}\left[w_t\left(f(z_t,{ϵ}_{\text{real}})-f(z_t,{ϵ}_{\text{real}}^{{\lambda }_{\text{cfg}}})\right)\frac{\partial z_H^{\text{sem}}}{\partial {\theta }_{\text{PiSA}}}\right]$$

其中${ϵ}_{\text{real}}$是预训练SD的预测结果，$z_t$是某一采样时间步长$t$的的$z_H$加噪结果，$c$是从$z_H^{\text{sem}}$提取的本文prompt，作用于CFG中，而$f()$则是Diffusion去噪过程的函数表征，${\hat{z}}_0=f(z_t,{ϵ}_{\theta })=\frac{z_t-\sqrt{1-{\bar{\alpha }}_t}{ϵ}_{\theta }(z_t,x_L,t)}{\sqrt{{\bar{\alpha }}_t}}$。$w_t$是与时间步长相关的标量权重，${ϵ}_{\text{real}}^{{\lambda }_{\text{cfg}}}$是带有CFG的预训练SD输出结果，其具体表征如下

$${ϵ}_{\text{real}}^{{\lambda }_{\text{cfg}}}={ϵ}_{\text{real}}(z_t,t)+\underset{{ϵ}_{\text{real}}^{\text{cls}}(z_t,t,c)}{\underbrace{{\lambda }_{\text{cfg}}\left({ϵ}_{\text{real}}(z_t,t,c)-{ϵ}_{\text{real}}(z_t,t)\right)}}$$

其实模型是与与${ϵ}_{\text{real}}$一样，只不过一个不带分类分数，一个带。如果把其中一个模型设置成可调，${\lambda }_{\text{cfg}}$参数设置成0，就成了OSEDIff中的VSD。与OSEDiff中的VSD一样，作用在潜空间中。但不同的是，CSD不需要双模型约束，减少了训练资源和迭代时间。上图对比中也可以看出，VSD损失弱化了语义细节，CSD Loss对语义增强的贡献更为显著。因此该论文最终采用了CSD损失。

2.3 可调参的推理方案

损失介绍完了，继续回到上一个问题，单独的Pixel-level LoRA有何用？这就牵引了出该论文另一个特色，可调参的设计，其实也不复杂， 看图便可明了。

PiSA的推理过程分为两个模式，Default和Adjustable。

Default模式——

数据流为实线+绿色虚线组合。LQ经VAE编码器后，仅用PiSA-LoRA+预训练SD一起处理，通过单步Diff预测残差。并与输入相减，再经解码器得到SR结果。

Adjustable模式——

数据流为实线+黑色虚线组合。LQ经VAE编码器后，分别做两次推理，1）Pixel-level LoRA+SD；2）PiSA-LoRA+SD。然后设定两个控制系数，${\lambda }_{pix}$和${\lambda }_{sem}$，将两次推理的结果加权相加。后续处理与Default一致。当然，由于θPiSA同时包含语义细节和像素退化，为了更精确的控制，需要对推理结果先做差${ϵ}_{{\theta }_{\text{PiSA}}}-{ϵ}_{{\theta }_{\text{pix}}}$，分离出像素退化。至此，使用者就可以通过控制这两个参数来灵活调整最终的SR效果了。代价嘛就是多一次生成模型的推理耗时。

三、实验论证

实验设置基本与OSEDiff一致。

3.1 🔬可调效果的实验分析

• 固定一个引导因子（λpix或λsem=1），调整另一个因子，观察输出变化。

• 评估指标：

  • 保真度：PSNR（像素级）、SSIM（结构相似性）
  • 感知质量：LPIPS（参考GT）、DISTS
  • 无参考质量：CLIPIQA、MUSIQ、MANIQA

• 像素级因子（${\lambda }_{pix}$）影响：

  • 增大${\lambda }_{pix}$可有效消除噪声和压缩伪影，但过度增强（如${\lambda }_{pix}$>0.8）会导致细节过度平滑（PSNR先升后降，峰值为0.5，LPIPS最佳值在${\lambda }_{pix}$=0.8）。
  • 无参考指标（CLIPIQA/MUSIQ）持续提升，因边缘增强更符合人类视觉偏好。

• 语义级因子（${\lambda }_{sem}$）影响：

  • 增大${\lambda }_{sem}$显著丰富语义细节（如皱纹、毛发），但过高（如${\lambda }_{sem}$>1.2）会引入伪影（PSNR持续下降，LPIPS峰值在${\lambda }_{sem}$=0.8）。
  • 无参考指标上限高于像素级调整，但需平衡保真度与细节真实性。

用户评价

• 用户研究显示，98%参与者认可增大${\lambda }_{sem}$（1.2 vs 0.6）能提升语义细节，验证了调控机制的有效性。

3.2 🔬与其他方法对比实验

在多项指标上全面领先，视觉效果上也具备了更丰富自然的细节纹理。

单步推理时间仅0.09秒（A100 GPU），总参数为1.3B。推理速度上，PiSA-SR-def会比OSEDiff还要快，主要是因为没有了text prompt提取过程。不过PiSA-SR-adj模式需要两个扩散步骤来分别计算像素级输出和语义级输出，因此推理耗时会有所增加。

补充材料中与GAN-based方法对比，也展现出了效果优势。以及相比于OSEDiff在纹理结构方面的效果提升，还是比较明显的。

3.3 🔬消融实验

双LoRA有效性——
仅用像素级LoRA（V1）导致感知细节不足；仅用语义级LoRA（V2）降低保真度。双LoRA联合优化能够较好地平衡两者。但从指标上看整体仍更偏向语义级增强多一些。

LoRA秩大小的影响——

通过对两个LoRA的秩大小的测试，发现这俩训练任务确实存在矛盾，单一提高某LoRA任务的秩，会对该项任务有提升，但会损害另一个LoRA任务的效果。

CFG跟语义引导策略的差异——

单步方案里增加CFG大小，无法改善无参考指标，甚至会降低全参考指标。论文所提出的语义引导则可以有效控制复原图像的语义信息强弱。

输入时间步分析——

时间步越大，模型降噪能力越强，生成效果更明显，因此语义相关指标会有提升，但保真度降低。为了尽量保留LQ的原始特征，因此时间步选择了1。

四、总结和思考

PiSA-SR通过双LoRA模块和残差学习的创新思路实现了高质量且可控效果的单步Diff超分，有效平衡了像素级回归和感知质量。可根据用户喜好进行能力调整，具有不错的实用价值。后续可能会探索针对不同图像退化的细化LoRA空间和图像自适应尺度因子的可能性。也就是未来模型能在可调的范围内，默认先出个效果最佳的。

其实该方案的残差设计和可调参设计的并不复杂，很多地方能看到类似思路，关键还是在于如何解耦并权衡像素特征和语义特征的复原。

---

感谢阅读，欢迎留言或私信，一起探讨和交流。
如果对你有帮助的话，也希望可以给博主点一个关注，感谢。