148、超分模型中的频域分析：高频细节恢复与低频保持

148、超分模型中的频域分析：高频细节恢复与低频保持去年调一个EDSR的复现，在DIV2K上训练了三天，PSNR涨了0.02dB，但肉眼一看，纹理糊成一片，边缘锯齿感强得离谱。当时我盯着loss曲线，心想这模型到底在学什么？后来把特征图做FFT可视化，才明白问题出在哪——模型把精力全花在低频上了，高频细节根本没学到。这个坑让我意识到，超分模型不能只看空域指标，频域分析才是诊断模型“偏科”的关键工具。频域视角下的超分本质超分辨率重建，说白了就是恢复图像在频域中丢失的信息。一张低分辨率图像，经过下采样，高频分量被截断，只剩下低频骨架。超分模型要做的，就是根据低频骨架，猜出高频细节。但问题来了：低频信息是“已知条件”，高频信息是“未知猜测”。模型天然倾向于保守——保住低频容易，因为损失函数里低频误差占比大；恢复高频难，因为那是无中生有，稍有不慎就产生伪影。我在调试RCAN时发现，它的残差结构虽然能堆叠很深，但注意力机制会过度关注低频区域。把注意力图做频谱分析，低频成分占了90%以上。这解释了为什么RCAN在PSNR上表现好，但感知质量一般——它把资源全用在优化低频上了。频域分解：把问题拆开看要分析模型在频域的表现，我常用的方法是把重建误差分解到不同频段。具体做法：对HR图像和SR图像分别做FFT，然后计算每个频率点的误差。把频率空间按半径分成低频区（0-1/4 Nyquist）、中频区（1/4-1/2 Nyquist）、高频区（1/2-Nyquist）。分