CVPR 2025

CVPR 2025 会议于 2025 年 6 月 10 日至 17 日在美国纳什维尔举行。

今年共提交了 13008 份有效论文，2878篇论文被接收，录用率为22.1%。这一录取数量再次刷新大会纪录，反映出计算机视觉领域的研究热度持续高涨。

图像超分辨率（Super-Resolution, SR）是计算机视觉领域的经典任务，旨在从低分辨率（Low-Resolution, LR）图像中恢复出高分辨率（High-Resolution, HR）图像。随着深度学习技术的快速发展，超分辨率技术在医学影像、遥感图像、数字摄影、监控安防等领域展现出巨大的应用价值。

现将超分辨率方向上接收的论文汇总如下，遗漏之处还请大家斧正。

图像超分

扩散模型

1. FaithDiff: Unleashing Diffusion Priors for Faithful Image Super-resolution

• Paper: https://arxiv.org/abs/2411.18824
• Code: https://github.com/JyChen9811/FaithDiff
• Keywords: Diffusion Priors, Faithful Super-resolution, Latent Diffusion Models
• Features: 支持 8K 及以上超高清图像恢复，FP8 推理，CPU offloading，提供了 Real-Deg 数据集（238 张真实退化图像）
• Team: Junyang Chen, Jinshan Pan, Jiangxin Dong （南京理工大学）

2. PiSA-SR: Pixel-level and Semantic-level Adjustable Super-resolution: A Dual-LoRA Approach

• Paper: https://arxiv.org/abs/2412.03017
• Code: https://github.com/csslc/PiSA-SR
• Keywords: Dual-LoRA, Pixel-level, Semantic-level, Adjustable Super-resolution
• Blog: CVPR 2025 | PiSA-SR: 像素级和语义级可调的超分辨率
• Features: 单步扩散完成超分辨率，可调节像素级保真度和语义级细节
• Team: Zhang Lei 团队 （香港理工大学，OPPO研究院）

3. Arbitrary-steps Image Super-resolution via Diffusion Inversion

• Paper: https://arxiv.org/abs/2412.09013
• Code: http://github.com/zsyOAOA/InvSR
• Blog: 【论文速读10】CVPR2025扩散超分辨率InvSR
• Keywords: 扩散反演
• Team: 西交大，南洋理工

4. PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution

• Paper: https://arxiv.org/abs/2411.17106
• Code: https://github.com/libozhu03/PassionSR
• Keywords: 后训练量化
• Team: 上交，港中文等

5. Uncertainty-guided Perturbation for Image Super-Resolution Diffusion Model

• Paper: https://arxiv.org/abs/2503.18512
• Code: https://github.com/LabShuHangGU/UPSR
• Keywords: Uncertainty-guided, Perturbation, Diffusion Model
• Team: Gu Shuhang团队（电子科技大学）

任意尺度超分

1. DiffFNO: Diffusion Fourier Neural Operator (Oral)

• Paper: https://arxiv.org/abs/2411.09911
• Project: https://jasonliu2024.github.io/difffno-diffusion-fourier-neural-operator/
• Keywords: Fourier Neural Operator, Arbitrary-Scale, ODE Solver, Real-time
• Blog: CVPR 2025 Oral | DiffFNO：傅里叶神经算子助力扩散，开启任意尺度超分辨率新篇章
• Features: 支持任意连续倍率（如 2.1、11.5 等），PSNR 提升 2-4dB，推理时间减少 30% 以上
• Team: Xiaoyi Liu, Hao Tang （圣路易斯华盛顿大学，北京大学）

2. HIIF: Hierarchical Encoding based Implicit Image Function for Continuous Super-resolution

• Paper: https://arxiv.org/abs/2412.03748
• Keywords: Implicit Neural Representation, Hierarchical Encoding, Continuous Super-resolution
• Features: 层次化位置编码，多头线性注意力，平均 PSNR 提升 0.17dB
• Team: University of Bristol; Netflix Inc.

轻量级模型

1. CATANet: Efficient Content-Aware Token Aggregation for Lightweight Image Super-Resolution

• Paper: https://arxiv.org/abs/2503.06896
• Code: https://github.com/EquationWalker/CATANet
• Blog: 【CVPR 2025】内容感知Token高效聚合，轻量超分网络CATANet，即插即用！
• Keywords: Lightweight, Content-Aware, Token Aggregation, Transformer
• Team: 南京大学软件新技术国家重点实验室

2. Progressive Focused Transformer for Single Image Super-Resolution

• Paper: https://arxiv.org/abs/2503.20337
• Code: https://github.com/LabShuHangGU/PFT-SR
• Keywords: Progressive Focused Transformer, Attention Map Integration, Efficient Computation
• Features: 通过哈达玛乘积整合注意力图，显著降低计算成本
• Team: Gu Shuhang团队（电子科技大学）

3. TSP-Mamba: The Travelling Salesman Problem Meets Mamba for Image Super-resolution and Beyond

• Paper: openaccess
• Keywords: 旅行商问题，轻量级超分
• Team: SmartMore Corporation，SSE, CUHK-Shenzhen

多模态

1. The Power of Context: How Multimodality Improves Image Super-Resolution

• Paper: https://arxiv.org/abs/2503.14503
• Project: https://mmsr.kfmei.com/
• Blog: CVPR2025 | 当扩散模型遇见多模态上下文：Google&约翰霍普金斯大学用深度+语义+文本实现精准超分
• Features: 融合深度、分割、边缘、文本等多模态信息
• Team: Google; 约翰霍普金斯大学

盲超分 / 真实世界 / 移动端

1. Adaptive Dropout: Unleashing Dropout across Layers for Generalizable Image Super-Resolution

• Paper: https://arxiv.org/abs/2506.12738
• Code: https://github.com/xuhang07/Adpative-Dropout
• Keywords: 盲超分，正则化方法
• Team: 中科大

2. TSD-SR: One-Step Diffusion with Target Score Distillation for Real-World Image Super-Resolution

• Paper: https://arxiv.org/abs/2411.18263
• Code: https://github.com/Microtreei/TSD-SR
• Keywords: One-Step Diffusion, Target Score Distillation, Real-World
• Team: 浙江大学，Vivo，中国科学院大学

3. Adversarial Diffusion Compression for Real-World Image Super-Resolution

• Paper: https://arxiv.org/abs/2411.13383
• Code: https://github.com/Guaishou74851/AdcSR
• Keywords: Adversarial Diffusion, Compression, Real-World Super-Resolution
• Features: 在A100 GPU上仅需0.03秒🚀即可将128×128分辨率的图像超分辨率提升至512×512
• Team: 陈杰、Zhang Lei 团队 （北大、香港理工大学，OPPO研究院）

4. Edge-SD-SR: Low Latency and Parameter Efficient On-device Super-Resolution with Stable Diffusion via Bidirectional Conditioning

• Paper: https://arxiv.org/abs/2412.06978
• Code: https://github.com/Microtreei/TSD-SR
• Keywords: On-device, Low Latency, Parameter Efficient, Bidirectional Conditioning
• Team: 三星，伦敦玛丽皇后大学

数据增强/感知

1. ADD: A General Attribution-Driven Data Augmentation Framework for Boosting Image Super-Resolution

• Paper: openaccess
• Code: https://github.com/mizeyu/ADD
• Keywords: Data Augmentation
• Team: 南京大学

2. Augmenting Perceptual Super-Resolution via Image Quality Predictors

• Paper: https://arxiv.org/abs/2504.18524
• Keywords: Perceptual Super-Resolution, Image Quality Predictors
• Features: 运用强大的非参考图像质量评估（NR-IQA）模型
• Team: 三星电子

3. Auto-Encoded Supervision for Perceptual Image Super-Resolution

• Paper: https://arxiv.org/abs/2412.00124
• Code: https://github.com/2minkyulee/AESOP-Auto-Encoded-Supervision-for-Perceptual-Image-Super-Resolution
• Keywords: Auto-Encoded, Perceptual Super-Resolution
• Features: 像素级 Lp 损失
• Team: 三星电子

4. Exploring Semantic Feature Discrimination for Perceptual Image Super-Resolution and Opinion-Unaware No-Reference Image Quality Assessment

• Paper: https://arxiv.org/abs/2503.19295
• Code: https://github.com/GuangluDong0728/SFD
• Keywords: Semantic Feature Discrimination, Perceptual Super-Resolution, Quality Assessment
• Team: 四川大学

其他方法

1. AutoLUT: LUT-Based Image Super-Resolution with Automatic Sampling and Adaptive Residual Learning

• Paper: https://arxiv.org/abs/2503.01565
• Code: https://github.com/SuperKenVery/AutoLUT
• Keywords: LUT-Based, Automatic Sampling, Adaptive Residual Learning
• Features: 查找表（LUT）
• Team: 南大

2. QMambaBSR: Burst Image Super-Resolution with Query State Space Model

• Paper: https://arxiv.org/abs/2408.08665
• Keywords: Burst, Mamba
• Team: 中国科学技术大学；华为诺亚方舟实验室

视频超分

1. BF-STVSR: B-Splines and Fourier-Best Friends for High Fidelity Spatial-Temporal Video Super-Resolution

• Paper: https://arxiv.org/abs/2501.11043

• Code: https://github.com/Eunjnnn/bfstvsr

• Keywords: B-Splines, Fourier, Spatial-Temporal, Video Super-Resolution

• Team: 蔚山国立科学技术院（UNIST），韩国大学

2. Efficient Video Super-Resolution for Real-time Rendering with Decoupled G-buffer Guidance

• Paper: openaccess
• Code: https://github.com/sunny2109/RDG
• Keywords: 实时渲染
• Team: 南京理工大学潘金山团队

3. EvEnhancer: Empowering Effectiveness, Efficiency and Generalizability for Continuous Space-Time Video Super-Resolution with Events (Highlight)

• Paper: https://arxiv.org/abs/2505.04657
• Code: https://github.com/W-Shuoyan/EvEnhancer
• Blog: CVPR 2025 | DORNet：一种面向降质和正则化的盲深度超分辨率网络
• Keywords: 连续时空视频超分辨率
• Team: 北京交通大学，合肥工业大学

4. Event-based Video Super-Resolution via State Space Models

• Paper: openaccess
• Keywords: Event-based, Mamba
• Team: 新加坡国立大学

5. PatchVSR: Breaking Video Diffusion Resolution Limits with Patch-wise Video Super-Resolution

• Paper: openaccess
• Keywords: Diffusion
• Team: 清华，快手，北京理工大学

6. Self-supervised ControlNet with Spatio-Temporal Mamba for Real-world Video Super-resolution

• Paper: https://arxiv.org/abs/2506.01037
• Code: https://github.com/ssj9596/SCST
• Keywords: Self-supervised, ControlNet, Spatio-Temporal Mamba, Video Super-Resolution
• Team: 江南大学，中国科学技术大学，北京大学，中国科学院

7. VideoGigaGAN: Towards Detail-rich Video Super-Resolution

• Paper: https://arxiv.org/abs/2404.12388
• Project: https://videogigagan.github.io
• Keywords: GigaGAN
• Team: 马里兰大学，Adobe

其他场景

1. Decoupling Fine Detail and Global Geometry for Compressed Depth Map Super-Resolution

• Paper: https://arxiv.org/abs/2411.03239
• Code: https://github.com/Ian0926/GDNet
• Keywords: Depth Map, Super-Resolution, Fine Detail, Global Geometry
• Team: 澳门大学

2. DifIISR: Diffusion Model with Gradient Guidance for Infrared Image Super-Resolution

• Paper: https://arxiv.org/abs/2503.01187
• Code: https://github.com/zirui0625/DifIISR
• Blog: 论文阅读笔记：DifIISR：具有梯度引导的红外图像超分辨率扩散模型 [CVPR 2025]
• Keywords: Diffusion Model，红外图像
• Team: 大连理工大学，西北工业大学，早稻田大学，大连海事大学

3. DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution

• Paper: https://arxiv.org/abs/2410.11666
• Code: https://github.com/yanzq95/dornet
• Blog: CVPR 2025 | DORNet：一种面向降质和正则化的盲深度超分辨率网络
• Keywords: 盲深度超分辨率网络
• Team: 南京理工大学，南京邮电大学，南京大学

4. Latent Space Super-Resolution for Higher-Resolution Image Generation with Diffusion Models

• Paper: https://arxiv.org/abs/2503.18446
• Code: https://github.com/3587jjh/LSRNA
• Features: 实现了 16 倍超分辨率（4096×4096）图像生成
• Keywords: Latent Space, Higher-Resolution, Image Generation
• Team: Yonsei University

5. PIDSR: Complementary Polarized Image Demosaicing and Super-Resolution

• Paper: https://arxiv.org/abs/2504.07758
• Code: https://github.com/PRIS-CV/PIDSR
• Blog: 【CVPR 2025】偏振光学相关论文记录
• Keywords: 偏振相机，去马赛克
• Team: 北京邮电大学，日本国立信息学研究所，北京大学

6. S2Gaussian: Sparse-View Super-Resolution 3D Gaussian Splatting

• Paper: https://arxiv.org/abs/2503.04314
• Project: https://jeasco.github.io/S2Gaussian/
• Keywords: 3D
• Team: 中国石油大学（华东），哈尔滨工业大学

7. Volume Tells: Dual Cycle-Consistent Diffusion for 3D Fluorescence Microscopy De-noising and Super-Resolution

• Paper: https://arxiv.org/abs/2503.02261
• Keywords: 3D荧光显微镜成像
• Team: 香港城市大学，香港浸会大学等

总结

从本届接收的论文来看，CVPR 2025 超分辨率领域呈现以下几个明显趋势：

1. 扩散模型持续主导：基于 Stable Diffusion 的方法仍然是主流，包括 FaithDiff、PiSA-SR、TSD-SR 等，这些方法在感知质量和真实感方面表现出色。

2. 任意尺度超分成为热点：DiffFNO、HIIF 等方法在任意尺度超分辨率方面取得突破，支持连续倍率放大，特别在大倍率（8x、12x）下表现优异。

3. 效率与质量的平衡：轻量级模型（CATANet）和快速推理方法（DiffFNO 的自适应 ODE 求解器）受到关注，旨在解决实际应用中的部署问题。

4. 可调节性和交互性：PiSA-SR 等方法支持用户根据偏好调节像素级保真度和语义级细节，体现了个性化需求。

5. 跨模态和语义理解：越来越多的方法结合语义信息和多模态特征，提升超分辨率结果的语义一致性和感知质量。

6. 真实世界应用导向：针对真实世界退化、移动端部署、视频超分等实际应用场景的研究显著增加。

总体而言，CVPR 2025 超分辨率研究在保持高质量重建的同时，更加注重实用性、效率和用户体验，为该领域的进一步发展奠定了坚实基础。

参考资料

1. CVPR 2025 Official Website

2. CVPR 2025 Accepted Papers

3. CVPR2025｜底层视觉相关论文汇总

4. CVPR 2025 | Papers-with-Code | 底层视觉合集

5. CVPR2025图像超分论文集合

（注：文档部分内容由 AI 生成）