114、多尺度超分：从单尺度到任意尺度重建的技术演进去年有个项目让我头疼了整整两周。客户要求把一段监控视频放大4倍，但跑完EDSR后，画面里车牌号还是糊成一团。我试着换成2倍模型跑两次，结果伪影叠伪影，效果更差。后来翻论文时看到Meta-SR的思路，才意识到问题出在“尺度适配”上——传统超分模型是给固定倍数定制的，换个倍数就得重新训练，而实际场景里谁给你固定倍数？单尺度模型的“死穴”先说说最基础的SRCNN和VDSR。这些模型输入是低分辨率图像，输出是固定倍数的高分辨率图像，比如×2、×3、×4各训练一个模型。你可能会问：训练一个×4模型，然后对输入图像做双三次插值缩小，不就能模拟任意倍数了吗？别这样写代码——插值会引入额外的模糊，而且模型学到的映射关系是针对特定下采样核的，换倍数后高频信息完全对不上。我在调试RCAN时踩过这个坑。用×4模型去处理×3.5的输入，PSNR直接掉了2dB。更麻烦的是，实际应用中用户可能上传一张手机拍的图，你根本不知道它原本的缩放比例。这就是单尺度模型的“死穴”：无法泛化到训练时没见过的倍数。尺度嵌入：让模型“认识”倍数Meta-SR（CVPR 2019）是第一个让我觉得“这思路靠谱”的工作。它不再把尺度当成固定参数，而是作为条件输入到网络中。具体做法是：在特征提取阶段，把缩放因子r编码成一个向量，通过全连接层映射后加到特征图上。这里有个细节——别直接用r的标量值，要把它和位置坐标（x,y）一起编码，否则模型学不到空间位置对尺度的影响。代码实现时要注意：M