← 返回 PaperDaily 视觉与图像

西工大最新研究：一步超分不用蒸馏，FLOPs狂降6倍、质量反超CTMSR

一步超分又有新玩法：西工大MeanSR不靠教师模型蒸馏，直接学习低分辨率条件下的平均速度场来显式建模恢复轨迹，CLIPIQA、MUSIQ、MANIQA全面涨，FLOPs只有之前最强单步方法CTMSR的约1/6，推理还快了近一倍。感兴趣怎么实现的，往下看。

龙哥读论文 阅读 22 查看原文
#图像恢复 #图像生成 #模型架构
西工大最新研究：一步超分不用蒸馏，FLOPs狂降6倍、质量反超CTMSR
原论文信息如下：
论文标题:
MeanSR: Restoration Trajectory Learning for One-Step Perceptual Super-Resolution
发表日期:
2026年08月
发表单位:
西北工业大学（School of Computer Science, Northwestern Polytechnical University）
原文链接:
https://arxiv.org/pdf/2608.09405v1.pdf
超分辨率（Super-Resolution，SR）这个任务，说简单也简单，说难也难。简单在于目标就一句话：把一张低分辨率（LR）图放大成高分辨率（HR）图，还要看着清晰、真实；难在于从 LR 到 HR 的解空间是无穷的，一只猫的毛该往哪个方向长，算法很难凭空猜出来。扩散模型天然擅长这种“从模糊到精细”的生成，但代价是慢——像 StableSR 这样的模型，单张图需要 200 步迭代去噪，跑一次要 8 秒多钟，这还没算上算力成本。
为了让扩散超分落地，研究者把目光转到了一步生成。SinSR、TSD-SR 这类方法通过蒸馏把教师模型的能力压缩到单步网络里，确实快，但训练前得先有一个强大的教师，存储和训练开销都不小。CTMSR 则干脆去掉蒸馏，用概率流常微分方程（Probability Flow Ordinary Differential Equation，PF-ODE）一致性训练学一步映射，但问题也随之而来：它并没有显式地建模“从低分辨率到高分辨率”这个恢复过程本身，优化目标始终隔着几层纱。
西北工业大学研究者提出的 MeanSR，想把这层纱彻底掀开。方法名很直白：Mean（平均）+ SR。核心思路是在低分辨率图像条件下，直接学习一个“平均速度场”，把退化加噪的状态一口气搬到合理的高分辨率结果上。整个过程只需要一次网络前向（即一个 NFE，Network Function Evaluation，网络函数评估），不需要教师模型，也不需要多步迭代。

从隐式蒸馏到显式轨迹建模：MeanSR的核心创新

图1：代表性一步超分方法的对比。x轴为CLIPIQA，y轴为推理时间，气泡大小代表FLOPs。MeanSR在感知质量与计算效率之间取得了良好的平衡。
代表性一步超分方法的对比。x轴为CLIPIQA，y轴为推理时间，气泡大小代表FLOPs。MeanSR在感知质量与计算效率之间取得了良好的平衡。
先解释一下什么叫“隐式建模”。CTMSR 的一致性训练，本质是让模型在不同时间步上对同一张图的预测保持一致，通过这种自洽约束来逼近一步生成。听起来不错，但“恢复的动态”本身——也就是从噪声一步步走向清晰 HR 图像的过程——并没有被直接监督。模型只知道“中间状态该长什么样”，不知道“该以什么速度往哪个方向走”。
MeanSR 的思路来自 MeanFlow。MeanFlow 的核心洞察是：如果已经有一条从噪声到数据的线性插值路径，那么可以定义一个有限时间区间上的平均速度，只要估准这个速度，就能一步从噪声跳到干净数据，完全不需要迭代数值积分。
具体来说，MeanSR 先把 HR 图像编码到潜空间得到 z₀，LR 图像编码后作为条件特征 cᴸᴿ。然后按 Flow Matching 的方式构造线性插值路径：
z_t = (1-t)z_0 + tε
其中 ε 是标准高斯噪声，t∈[0,1]。t=1 时是纯噪声，t=0 时回到干净 HR 潜变量。传统扩散模型要沿这条路径一步步走回去，而 MeanSR 想的是：能不能直接算出从时间 t 到时间 r 的“平均速度”，然后一步跨过去？
z_r = z_t - (t-r)u(z_t, c^LR, r, t) u(z_t, c^LR, r, t) = 1/(t-r) ∫_r^t v(z_τ, c^LR, τ) dτ
这个平均速度 u 就是瞬时速度 v(z_τ)=ε−z₀ 在 [r,t] 区间上的积分均值。瞬时速度在流匹配里是一个常数方向场，因此平均速度天然地把“噪声方向”和“干净潜变量”的关系编码了进去。作者进一步推导出平均速度与瞬时速度之间的微分关系：
u(z_t, c^LR, r, t) = v(z_t, c^LR, t) - (t-r) d/dt u(z_t, c^LR, r, t)
构建平均速度需要知道平均速度对时间 t 的导数，也就是雅可比矩阵。这里直接用 PyTorch 或 JAX 提供的 Jacobian-vector product（雅可比-向量积）函数即可高效计算，不需要维护额外的大网络。于是训练目标就变成让 Transformer 网络 u_θ 拟合这个平均速度：
L_MeanSR = E ||u_θ(z_t, c^LR, r, t) - sg(u(z_t, c^LR, r, t))||²
其中 sg 表示 stop-gradient 操作，用来稳定优化。到了推理阶段，直接从纯噪声出发设 t=1、r=0：
z^SR = z_1 - u_θ(z_1, c^LR, 0, 1)
z¹ 是随机采样的高斯噪声，cᴸᴿ 是 LR 图像编码得到的条件特征。得到潜空间结果后，用预训练 VAE 解码器还原到像素空间即可。整个过程只调用了一次 u_θ，一个 NFE 搞定，真正的一步超分。
图2：MeanSR框架总览。第一阶段在MeanFlow框架下通过预测平均速度来估计LR条件下的恢复轨迹；第二阶段通过分布轨迹匹配将生成的恢复轨迹与真实HR轨迹对齐。SATS分别为轨迹估计和轨迹对齐分配不同的时间分布。
MeanSR框架总览。第一阶段在MeanFlow框架下通过预测平均速度来估计LR条件下的恢复轨迹；第二阶段通过分布轨迹匹配将生成的恢复轨迹与真实HR轨迹对齐。SATS分别为轨迹估计和轨迹对齐分配不同的时间分布。

两阶段训练策略：恢复轨迹估计与分布轨迹匹配

Stage 1 学的是“从噪声到干净”的平均速度，这个目标能保证轨迹方向大致正确，但生成结果的纹理细节往往还不够“真”。为此，MeanSR 在第二阶段引入了分布轨迹匹配（Distribution Trajectory Matching，DTM），这个思路最早由 CTMSR 提出，本文把它重新放到了平均速度场的生成框架里。
具体做法是：给定真实 HR 潜变量 z₀ 和模型重建出的 ẑ₀，分别施加相同的随机扰动，得到两条配对的轨迹状态；再用一个共享的延迟目标网络分别映射，得到投影重建结果 z′₀ 和 ẑ′₀。两条轨迹之间的差异写成：
Δ = ẑ′₀ - z′₀
然后用这个差异构造一个“伪目标”，直接去修正生成的轨迹：
z̃₀ = sg(ẑ₀ - Δ)
最后在图像空间用感知损失把生成结果拉向修正后的伪目标：
L_DTM = LPIPS(D(ẑ₀), D(z̃₀))
这里的 LPIPS（Learned Perceptual Image Patch Similarity，学习感知图像块相似度）是一个基于深度特征的感知相似度指标。之所以选择在图像空间执行 LPIPS 而不是在潜空间做简单的 L2 距离，是因为感知一致性更贴近人的视觉判断。训练时 MeanFlow 目标会继续保留，保证轨迹估计不漂移，DTM 则提供分布级对齐。
表3给出了 DTM 的消融结果：不加 DTM 时 CLIPIQA 只有 0.661，加 DTM 并作用在平均速度场上能涨到 0.715，而作用在重建图像空间（DTM-x₀）则达到 0.725。这说明轨迹级分布对齐与显式速度场学习是互补的，直接在重建图像上做感知对齐效果最好。
表3：分布轨迹匹配（DTM）及不同对齐形式在ImageNet-Test上的消融。
表3：分布轨迹匹配（DTM）及不同对齐形式在ImageNet-Test上的消融。DTM-x₀代表在重建图像空间对齐，DTM-u代表在平均速度场空间对齐。

阶段感知时间采样：优化目标的精准匹配

既然两个阶段的目标本质上不同，时间采样自然也要分开。SATS（Stage-Aware Temporal Sampling，阶段感知时间采样）就是这一思路的落地。
Stage 1 需要精确估计数据流形附近的平均速度，近数据区的速度估计方差更小、更稳定，所以 SATS 采用 logit-normal 分布（t∼LogNormal(−0.4,1.0)），把更多训练样本分配到低噪声区域。Stage 2 的 DTM 需要把整条轨迹都对齐，如果只用低噪声区域，高频时间段的监督就会缺失，因此改用均匀分布 t∼U(0,1)，让轨迹的每一个时间点都能获得均衡反馈。
表5：阶段感知时间采样（SATS）的消融。第二阶段从第一阶段使用logit-normal采样预训练的模型初始化。
表5：阶段感知时间采样（SATS）的消融结果。SATS 的组合策略全面优于固定采样，这也说明“什么阶段干什么事”在轨迹学习中同样成立。

实验全面领先：感知质量与计算效率的双重突破

实验配置方面，训练数据是 ImageNet 上按 RealESRGAN 退化流程构造的 256×256 图像对，测试集包括合成基准 ImageNet-Test（3000 张）和真实世界基准 RealSR、RealSet65。评价指标既有参考指标 LPIPS，也有无参考感知指标 CLIPIQA、MUSIQ、MANIQA。
表1：真实世界基准上的感知质量与计算效率定量比较。
表1：真实世界基准上的感知质量与计算效率定量比较。MeanSR 在 RealSR 和 RealSet65 上均取得了全部感知指标的最佳结果。
在 RealSR 上，MeanSR 的 CLIPIQA 达到 0.6520，MUSIQ 达到 60.171，MANIQA 达到 0.5486，均超过 CTMSR；在 RealSet65 上优势更明显，MANIQA 从 CTMSR 的 0.4371 涨到 0.6561，提升约 50%。与此同时，MeanSR 的 FLOPs 只有 46.18G，推理耗时 26.39ms，而 CTMSR 是 305.50G / 50.52ms——算力需求降到约 1/6，推理时间缩短近一半，感知质量却反超。拿扩散模型对比更夸张，相比 StableSR，RealSR 上 MANIQA 从 0.3021 涨到 0.5486，提升 81.6%；RealSet65 上从 0.3097 涨到 0.6561，提升 111.9%。
表2：合成ImageNet-Test基准上的定量比较。
表2：合成ImageNet-Test基准上的定量比较。在 CLIPIQA、MUSIQ、MANIQA 上 MeanSR 均领先，MANIQA 比 CTMSR 高 19.5%。
合成基准上同样稳定领先：MANIQA 比 CTMSR 高 19.5%，CLIPIQA 高 5.8%，MUSIQ 高 3.0%。唯一需要提一下的是 LPIPS 指标略逊于 CTMSR（0.228 vs 0.197），说明 MeanSR 更侧重感知真实感而不是像素级精确重建，这也是感知超分领域一个常见的权衡取舍。
作者还分析了训练收敛速度。从图5可以看出，达到相近的 CLIPIQA 水平，MeanSR 需要的训练步数大约是 CTMSR 的 1/13，这得益于显式轨迹建模提供了更直接的监督信号。
图5：ImageNet上以CLIPIQA衡量的训练收敛对比。
图5：ImageNet上以CLIPIQA衡量的训练收敛对比。MeanSR以约13倍更少的训练步数达到与CTMSR相当的CLIPIQA水平。
第二阶段训练迭代次数也不是越多越好。表4显示，Stage 2 训练 10k 步时效果最好；20k 步时 MUSIQ 和 MANIQA 已经开始下滑；到 30k 步时各项指标几乎崩盘（CLIPIQA 从 0.725 掉到 0.294）。这说明 DTM 在训练后期可能出现震荡，实际复现时需要把迭代次数卡在合适范围。
表4：第二阶段训练迭代次数对ImageNet-Test结果的影响。
表4：第二阶段训练迭代次数对ImageNet-Test结果的影响。10k步为最佳，30k步时指标显著退化。
定性对比更能直观看出差距。下图是 RealSet65 上猫脸特写的恢复效果：ESRGAN 等传统 GAN 方法纹理偏“油”，StableSR 等扩散方法容易过度平滑，CTMSR 虽有改进但毛发的方向感仍有涂抹痕迹。MeanSR 恢复出的毛发根根分明，眼睛轮廓更干净，整体更接近真实拍摄质感。
(a) 低分辨率图像 (b) ESRGAN 对比结果之一 (c) BSRGAN (e) RealESRGAN 对比结果之二 (f) StableSR-200 (g) LDM-15 (d) SwinIR (h) ResShift-4 (i) SinSR-1 (j) CTMSR-1 (k) MeanSR-1
图3：RealSet65数据集上的定性比较。放大查看效果更佳。MeanSR在毛发细节、边缘结构等区域表现出更自然的恢复效果。
图4：合成ImageNet示例上的定性比较。放大查看效果更佳。
图4：合成ImageNet示例上的定性比较。MeanSR在保持结构一致性的同时，生成了更锐利的边缘和更自然的材质细节。

总结与展望：一步超分的未来方向

MeanSR 把平均速度场引入一步感知超分，用显式轨迹建模取代隐式一致性约束，再配合 DTM 和 SATS，在质量、速度和训练成本之间找到了不错的平衡。相比 CTMSR，在降低约 6 倍 FLOPs、近 2 倍推理时间的同时，感知指标不降反升，训练收敛还快了约 13 倍，这个组合确实有吸引力。
不过局限也很明显。LPIPS 相对 CTMSR 有所退步，意味着在像素级重建精度上还有提升空间；Stage 2 训练超过 20k 步后指标下降，训练稳定性需要进一步约束；真实场景的退化往往更复杂，基于 ImageNet 合成退化训练的模型能覆盖多大范围的真实退化，仍需更大规模评测。
未来方向也清晰：把平均速度场推广到视频超分、盲超分和通用图像恢复任务；研究更稳定的轨迹对齐损失，避免 DTM 后期震荡；探索与扩散蒸馏、对抗训练等其他加速范式的结合。一步超分这个赛道，MeanSR 算是往前迈了一大步。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：
这篇论文到底在解决什么问题？西工大提出MeanSR，通过低分辨率条件平均速度场显式建模恢复轨迹，配合分布轨迹匹配与阶段感知时间采样，实现免蒸馏一步感知超分。
这篇工作最值得看的点是什么？在RealSR和RealSet65上所有感知指标全面最优，相比CTMSR在MANIQA上提升19.9%和50.0%，FLOPs降低约6倍，推理加速近2倍；在ImageNet-Test上CLIPIQA、MUSIQ、MANIQA均最优。
这篇工作的边界或风险在哪里？优点：显式建模恢复轨迹，避免教师模型依赖，计算效率高，感知质量优异；缺点：LPIPS指标不如CTMSR，第二阶段训练步数敏感，需要仔细调优。
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

提出MeanSR框架，通过LR条件平均速度场学习显式建模有限时间超分恢复轨迹，结合分布轨迹匹配和阶段感知时间采样实现一步感知超分辨率。

实验合理度：★★★★☆

LPIPS、CLIPIQA、MUSIQ、MANIQA

学术研究价值：★★★★☆

提出MeanSR框架，通过LR条件平均速度场学习显式建模有限时间超分恢复轨迹，结合分布轨迹匹配和阶段感知时间采样实现一步感知超分辨率；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

46.18G FLOPs，推理时间26.39ms

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：LPIPS指标不如CTMSR，第二阶段训练步数敏感，需要仔细调优。

主要参考文献

[1] Niu A, Kou J, Zhang K, et al. MeanSR: Restoration Trajectory Learning for One-Step Perceptual Super-Resolution[J]. arXiv preprint arXiv:2608.09405, 2026.
[2] You Z, et al. CTMSR: Consistency Trajectory Modeling for One-Step Super-Resolution[C]. 2025.
[3] Geng C, et al. Mean-Flow: A Mean-Field Approach to Generative Modeling[J]. 2025.
[4] Wang Y, et al. SinSR: Diffusion-Based Image Super-Resolution in a Single Step[C]. CVPR 2024.
[5] Lipman Y, et al. Flow Matching for Generative Modeling[C]. ICLR 2023.

融会贯通

结合 PaperDaily 已收录论文可以观察到，一步超分正在经历从“蒸馏依赖”到“免蒸馏”再到“显式轨迹建模”的演进。SinSR 证明了蒸馏可行，CTMSR 证明了免蒸馏可行，MeanSR 则进一步说明：与其让模型在隐式约束中摸索，不如直接把恢复过程“讲清楚”。这条思路与当下扩散模型领域的流匹配、整流流（Rectified Flow）趋势一脉相承。
需要说明的是，本次 MCP 实验对比数据库的实时检索没有成功，无法提供同数据集的横向数值验证，因此本文所有对比数字均引用自论文原文。不同论文的数据集划分和退化设置存在差异，读者在做横向比较时需要留意 split/setting 是否对齐。从领域趋势来看，显式轨迹建模很可能成为未来一步图像恢复的默认范式之一，值得持续跟踪。

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！       

end
一张糊图想变清？MeanSR一步就能搞定。读论文、找思路、看代码，来龙哥读论文星球和微信群，和超分同路人一起交流～扫描下方二维码或添加龙哥助手微信号：kangjinlonghelper，备注：研究方向+地点+学校/公司+昵称，更快通过邀请。群内还有图像处理、大模型、自动驾驶等五大方向等你来聊！
wechat_helper dianzan

转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。