Resonant Brane Splatting for Arbitrary-Scale Super-Resolution

📄 arXiv: 2606.29453 📥 PDF

作者: Giulio Federico, Giuseppe Amato, Claudio Gennaro, Fabio Carrara, Marco Di Benedetto

分类: cs.CV, cs.AI, cs.GR

发布日期: 2026-07-05

💡 一句话要点

提出共振膜体喷溅以解决任意尺度超分辨率问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 超分辨率 图像重建 计算机视觉 高斯喷溅 深度学习 图像处理 膜体原语

📋 核心要点

  1. 现有的超分辨率方法在处理边缘和细节纹理时存在显著瓶颈，导致重建质量受限。
  2. 本文提出共振膜体喷溅（RBS），通过引入膜体原语来有效建模复杂纹理，减少重叠原语的需求。
  3. 实验表明，RBS在标准ASR基准测试中显著提高了重建质量，并在速度与质量的权衡上优于以往方法。

📝 摘要（中文）

任意尺度超分辨率（ASR）旨在以连续放大因子重建图像。近期方法通过用显式的二维高斯喷溅（GS）替代计算量大的隐式神经解码器来加速推理。然而，标准高斯作为平滑低通原语，难以有效建模边缘和细节纹理，导致光栅化过程中的瓶颈。为此，本文提出了共振膜体喷溅（RBS）框架，使用膜体替代平面高斯，能够在单一足迹内自然建模局部对比度和复杂纹理。通过增强标准高斯包络，结合内部高斯-厄米特模式，RBS显著减少了重建目标像素所需的原语数量。实验结果表明，RBS在重建质量和速度-质量权衡上均优于隐式和GS基线。

🔬 方法详解

问题定义：本文旨在解决任意尺度超分辨率（ASR）中，现有方法在边缘和细节纹理建模上的不足，特别是在光栅化过程中产生的瓶颈。

核心思路：通过引入共振膜体（Branes）作为新的原语，RBS能够在单一足迹内有效建模局部对比度和复杂纹理，减少所需重叠原语的数量。

技术框架：RBS框架包括特征提取、膜体参数预测和高效光栅化三个主要模块。特征提取从低分辨率图像中提取特征，膜体参数预测生成膜体的颜色系数和高斯模式，最后通过光栅化生成高分辨率图像。

关键创新：RBS的核心创新在于引入膜体原语和内部高斯-厄米特模式，使得重建过程在数学上更为丰富，显著减少了重叠原语的需求。

关键设计：RBS采用全可微的光栅化器，并结合经典量子转折点的精确剔除策略，以安全跳过微不足道的区域，从而大幅降低渲染开销。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，RBS在标准ASR基准测试中，相较于隐式和GS基线，重建质量显著提升，且在速度与质量的权衡上表现优越，具体性能数据未提供，但提升幅度明显。

🎯 应用场景

该研究在图像处理、计算机视觉和图像增强等领域具有广泛的应用潜力。通过提高超分辨率图像的质量和处理速度，RBS可用于实时视频处理、医疗影像分析以及虚拟现实等场景，推动相关技术的发展与应用。

📄 摘要（原文）

Arbitrary-Scale Super-Resolution (ASR) reconstructs images at continuous magnification factors. Recent methods accelerate inference by replacing computationally heavy implicit neural decoders with explicit 2D Gaussian Splatting (GS). However, since standard Gaussians are smooth low-pass primitives, modeling edges and fine textures requires multiple overlapping, well-aligned splats, which creates severe bottlenecks during rasterization. To address this, we introduce Resonant Brane Splatting (RBS), a feed-forward ASR framework. RBS replaces flat Gaussians with Branes: expressive primitives that emit spatially varying colors to natively model local contrast and complex textures within a single footprint. We achieve this by augmenting the standard Gaussian envelope with internal Gaussian-Hermite modes, assigning a distinct color coefficient to each. The zero-order mode recovers standard GS, while higher-order modes capture high frequencies. We predict Brane parameters directly from low-resolution features. Because Branes provide a mathematically richer formulation than simple Gaussians, far fewer primitives need to overlap to reconstruct a given target pixel. To exploit this, we introduce an efficient fully differentiable rasterizer with a precise culling strategy based on the classical quantum turning point. This allows us to safely skip negligible regions, drastically reducing the rendering overhead. Experiments on standard ASR benchmarks show that RBS improves reconstruction quality over implicit and GS baselines, while achieving superior speed-quality trade-off than prior GS methods.