本文由圣路易斯华盛顿大学与北京大学联合完成，第一作者为圣路易斯华盛顿大学的刘晓一，他在北京大学访问期间完成了该项研究；通讯作者为北京大学计算 机学院唐浩助理教授 / 研究员。 从单张低分辨率（LR）图像恢复出高分辨率（HR）图像 —— 即 "超分辨率"（SR）—— 已成为计算机视觉领域的重要挑战。近年来，随着医疗影像、卫星遥感、 视频监控和游戏渲染等应用对图像细节的需求不断提升，该技术的应用愈发广泛。传统深度学习超分模型（如 SRCNN、EDSR）在固定放大倍数下表现优异，但 要么无法支持任意放大尺度，要么在大倍率和复杂纹理场景中常出现细节模糊和伪影。扩散模型能有效恢复高频细节，却因需多次迭代去噪而推理缓慢，难以满 足实时应用需求。为彻底打破 "高质量重建" 与 "快速推理" 之间的矛盾，算子学习在运算效率和分辨率不变性方面的提升为该领域带来了新的机遇。 圣路易斯华盛顿大学和北京大学团队提出的 DiffFNO（Diffusion Fourier Neural Operator）以神经算子赋能扩散架构。该方法支持高质、高效、任何连续倍率（如 2.1、11.5 等）的超分。它的优秀表现来源于三大组件：【1】加权傅 ...