165、自监督超分：无需配对数据的零样本学习与内部统计先验挖掘

165、自监督超分：无需配对数据的零样本学习与内部统计先验挖掘一、从一次真实调试说起去年做遥感图像超分项目，甲方只给了50张低分辨率卫星图，一张高分辨率真值都没有。常规的SRCNN、EDSR、ESPCN全废了——没有配对数据，监督学习根本跑不起来。当时团队里有人提议“要不先拿其他数据集预训练再微调”，但遥感图像的光谱分布和自然图像差异太大，迁移效果惨不忍睹。后来翻到ZSSR（Zero-Shot Super-Resolution）那篇论文，才意识到：超分不一定需要外部数据集，单张图像内部就藏着足够的统计规律。今天这篇笔记，就聊聊自监督超分这条技术路线——从内部统计先验挖掘到零样本学习，再到实际部署时的坑。二、内部统计先验：为什么单张图就够了？自然图像有个被反复验证的性质：图像内部的patch（图像块）在不同尺度上会重复出现。比如一张砖墙照片，局部纹理在缩小到1/2、1/4后，依然能找到相似的pattern。这个性质叫“跨尺度自相似性”，是自监督超分的理论基石。ZSSR的核心思路很直接：把输入的低分辨率图像（LR）下采样得到更小的图像（LR_down），然后用LR_down到LR的映射关系，去推断LR到HR的映射。这里有个关键假设——图像内部的退化过程是尺度不变的。如果你把LR下采样2倍，再超分2倍回去，这个映射应该和直接超分LR到HR的映射一致。实际调试时踩过一个坑：下采