GB-LSR：一种具有单一全局带宽的快速局部频谱图像表示方法，用于连续重建和超分辨率

GB-LSR（Global-Bandwidth Local Spectral Representation）是一种用于连续图像重建的固定网格局部频谱表示方法。该方法将图像域划分为不重叠的方形块，每个块携带截断傅里叶基的系数，这些系数由共享的卷积编码器特征预测得到。一个关键创新是采用单个可训练的标量带宽，并在所有块和图像之间全局共享。这样，任意连续坐标上的重建就是固定大小的基收缩，其计算成本与图像尺寸无关。这使得GB-LSR在处理高分辨率图像时特别高效。

作者研究了三种带宽处理变体：可训练的全局标量（主要方法）、固定的全局标量和逐块带宽场。在标准本机重建基准测试中（包括Kodak、Set14和Urban100数据集），主要变体在PSNR上比同等计算量的LIIF、LTE和WIRE复现方法高出2.8-3.6 dB，在LPIPS上低0.11-0.15，同时推理成本仅为最慢基线的四分之一。实验表明，单个全局标量在经验上已经足够：无论是封闭形式的局部诊断还是端到端的消融研究，逐块自适应带宽替代方案都没有带来改进。这证实了全局共享带宽的简洁性和有效性。

在超分辨率方面，GB-LSR扩展了任意尺度超分辨率（ASR）功能。在标准SR协议下，GB-LSR实现了具有竞争力的PSNR-Y，并且在4倍放大时，运行速度比LIIF-RDN快1.44倍，比LTE-SwinIR快3.25倍。在同一扩展中，一种无需4角局部集成平均的变体实现了1.77倍加速和35%的峰值内存降低，而PSNR变化可忽略不计。此外，将RDN编码器从64通道扩展到96通道，在实现1.58倍加速和31%内存降低的同时，还带来了小幅的PSNR提升。

值得注意的是，本机重建的结论限于匹配预算的摊销协议，而超分辨率的结论限于独立的规范SR协议。这些范围界定确保了评估的公平性和可重复性。GB-LSR在计算机视觉、图形学和机器学习领域具有潜在应用价值，特别是在需要高效、高质量图像重建和超分辨率的场景中。