140、多尺度超分：从单尺度到任意尺度放大的技术突破
上周调试一个老项目，客户要求在2K屏上把720p的监控画面放大到4K。我习惯性地掏出EDSR模型，结果客户说：“我要的不是固定4倍，是1.3倍、2.7倍这种任意倍数。”那一刻我意识到，单尺度超分模型在真实场景里就是个“瘸腿将军”——你训练了×2、×3、×4，用户偏要×1.7。
单尺度模型的“死穴”
先说说为什么单尺度模型这么“死板”。传统SRCNN、EDSR这类模型，训练时输入输出尺寸是固定的。比如你训练了一个×4模型，输入64×64，输出256×256。模型内部学到的映射关系是“小图→大图”的特定倍数变换。如果你让它做×3.5，要么直接报错，要么强行插值后效果惨不忍睹。
我踩过最大的坑：用×4模型对×2的输入做推理，结果输出尺寸对不上，还得手动resize。更离谱的是，有些框架的checkpoint里写死了scale因子，换倍数就得重新训练。这在工业场景里简直是灾难——你不可能为每个缩放比例都存一个模型。
多尺度超分的“破局思路”
多尺度超分要解决的核心问题就一个：如何用一个模型，搞定任意倍数的放大。目前主流思路分两派：
一派是“隐式表示”路线
代表工作是LIIF（Learning Continuous Image Representation）。它的核心思想是：不直接预测像素值，而是学习一个连续函数。输入一个坐标和对应的特征，输出该坐标的像素值。这样你问它“
