OracleZoom：政策啟發式與參照約束的遞迴式影像超解析度新架構
為何重要
- 這項研究解決了極端尺寸放大時的「監督邊界」問題，證明瞭即使缺乏深層的畫素級真值，透過政策式自我訓練與參照約束仍能達到高品質輸出。 - 對開發者而言，展示了將生成式約束（無參照品質目標）與監督學習結合的有效範式，這種雙軌訓練方法可望類推至高階 3D 建模、遊戲貼圖生成等需要長鏈視覺最佳化的場景。 - CLIPIYA 等指標的提升代表該架構在視覺真實感上具備競爭力，意味著未來影像模型在處理極端解析度時，技術重心將從算力轉向監督資料集的製作與規劃。
- 遞迴式影像超解析度雖能透過模型自回饋達到極端放大，但隨著縮放深度增加，真值解析度幾何級數成長導致監督端點往往難以取得。
- 提出絕對 OracleZoom 框架，結合政策式自我訓練、參照約束與指數移動平均一致性，引入 K-L 約束的預訓練潛在先驗以限制品質驅動漂移。
- 跨七個資料集驗證成果，在遞迴深度上的平均 CLIPIYA 達 0.713，並顯著減少影像產生的幻覺問題。
- 利用無參照品質目標導向未解析的細微細節，並透過直接與跨尺度監督雙軌並行解決深處缺乏監督的瓶頸。