当超分辨率模型把一张模糊的小图变得清晰锐利时，我们该如何判断它是真的“恢复”了图像细节，还是只是生成了看似真实的错误纹理？

长期以来，超分辨率图像质量评价面临着一个两难问题：全参考指标需要真实高清图像，并且容易惩罚合理但未对齐的生成细节；无参考指标虽然不依赖高清真值，却可能被清晰但错误的“幻觉纹理”所迷惑。如何在没有真实高清参考的情况下，同时衡量内容保真度与感知质量，成为超分辨率评价中的关键问题。

STRUCT小组徐圣涵同学的论文Bridging the Reference Gap: Dual-Reference SR-IQA with Generated Image Guidance as Perceptual Anchors被ACM MM 2026接收。论文针对这一问题提出了双参考超分辨率图像质量评价框架DualRefIQA。该方法使用原始低分辨率图像约束内容保真度，并以大型生成模型合成的高质量图像作为感知质量参照，将“内容是否正确”与“纹理是否自然”进行显式解耦。

同时，论文构建了包含超过17万组图像三元组及人类主观质量分数的DSRQ数据集。实验表明，DualRefIQA在无需真实高清参考图像的条件下，取得了更符合人类主观感知的评价结果，并能够作为训练目标，进一步提升超分辨率模型的重建质量。

图2：DualRefIQA整体框架

1. 双参考评价范式

对于一幅待评价的超分辨率图像，DualRefIQA同时引入两类参考：

内容锚点（Content Anchor）：原始低分辨率输入。它保留了场景主体、整体布局和低频结构，与超分辨率结果在宏观内容上天然对应，可以帮助模型判断是否出现结构偏移、语义篡改或错误生成。

感知锚点（Perceptual Anchor）：由大型生成模型根据低分辨率输入生成的高质量图像。它并不是严格的像素级真值，而是作为高质量纹理和自然观感的代理，为感知质量评价提供参照。

两个参考具有天然的互补性：低分辨率图像内容可靠，但缺少高频细节；生成图像纹理丰富，但可能存在结构偏移。通过二者相互约束，模型既不会盲目奖励幻觉纹理，也不会因为像素未对齐而否定合理的生成细节。

2. 空间去对齐模块

生成参考图像通常具有更高的分辨率和更丰富的纹理，但它与待评价图像并不严格对齐。如果直接使用双三次插值缩小生成图像，大量关键高频信息会被模糊；如果进行逐像素比较，又会把正常的位置偏差当作质量问题。

为此，DualRefIQA提出了空间去对齐模块（Spatial De-Align, SDA）。该模块首先使用 Pixel Unshuffle，将高分辨率图像的空间信息重新排列到通道维度，在不丢失像素信息的前提下降低空间尺寸；随后通过轻量残差网络融合通道信息，得到保留高频纹理的感知参考。

这种设计不要求生成参考与待评价图像严格配准，同时能够充分保留生成图像中的纹理统计。消融实验表明，去除SDA并改用普通双三次下采样后，模型在DSRQ数据集上的 SRCC从0.6913降至0.5847，证明了高频纹理保留对于感知质量评价的重要性。

3. 非对称双分支评价

由于两个参考承担不同职责，DualRefIQA为它们设计了不同的处理方式：

保真度路径（Fidelity Path）采用卷积模块和通道注意力，对超分辨率图像与低分辨率输入进行局部比较，重点捕捉结构错误、语义偏移和局部失真。

感知路径（Perceptual Path）采用交叉注意力，在较大范围内比较超分辨率图像与生成参考的纹理分布。该路径不要求两幅图像逐像素对齐，更适合评价生成细节的自然度与丰富度。

模型进一步提取Swin Transformer中间层至深层的语义特征，在保留结构信息的同时，降低对细微像素错位的敏感性。最终，两条路径得到的特征被融合，并通过回归网络预测图像的主观质量分数。