Super Resolution（SR，超分辨率 / 超分）是一类将低分辨率视觉内容重建为高分辨率视觉内容的 AI 任务。
它的目标不只是增加像素数量，还会利用模型推断或生成低分辨率输入中缺失的细节。
Low Resolution（低分辨率）
↓
SR Model（超分辨率模型）
↓
High Resolution（高分辨率）常见应用主要包括：
Super Resolution
├── Image Super Resolution
│ └── 低分辨率图像 → 高分辨率图像
│
└── Video Super Resolution
└── 低分辨率视频 → 高分辨率视频与 Resize / Upscaling 的区别
普通 Resize / Upscaling 主要通过插值增加像素：
512 × 512
↓
Interpolation
↓
2048 × 2048尺寸增加了，但不会理解图像内容并主动重建缺失纹理。
AI Super Resolution 则会经过模型推理：
Low Resolution
↓
SR Model
↓
提取结构 / 纹理等特征
↓
推断缺失细节
↓
High Resolution可以简单理解为：
Resize / Upscaling
≈ 增加像素
Super Resolution
≈ 增加像素 + 重建 / 生成细节因此，Super Resolution 通常包含 Upscaling，但 Upscaling 并不等于 Super Resolution。
细节从哪里来？
低分辨率化会导致部分细节永久丢失，因此模型通常无法从 LR 输入中确定唯一正确的原始 HR 内容。
AI 超分模型通过训练学习：
某种低分辨率结构，通常对应什么样的高分辨率结构和纹理。
训练过程可以抽象为：
High Resolution
↓
Downsample / Degradation
↓
Low Resolution
↓
LR → SR Model → Predicted HR
↕
Real HR经过大量训练后，模型学习到视觉结构和纹理的先验知识。
推理时：
新的 LR 输入
↓
训练好的 SR Model
↓
输入已有信息 + 模型学到的先验
↓
预测 / 生成 HR 输出因此可以建立这样的心智模型：
High Resolution Result
≈
输入中已有的信息
+
模型推断出的缺失细节超分也是模型推理
对于现代 AI Super Resolution，执行一次超分通常就是一次 Inference（推理）：
Low Resolution Input
↓
SR Model
↓
High Resolution Output因此 AI 超分通常需要训练好的模型。
它不一定必须使用 GPU，但模型涉及大量张量计算，因此 GPU / NPU 等硬件通常可以显著提高推理速度。
重建不等于找回真实信息
这是理解 AI 超分的重要边界。
Original HR
↓
Downsample
↓
LR部分信息一旦在低分辨率化过程中丢失，仅凭 LR 通常无法唯一确定原始 HR：
LR → ? → Original HR因此模型生成的细节可能：
- 与真实细节一致；
- 接近真实细节；
- 或只是视觉上合理的细节。
例如模型可能判断某个模糊区域是头发，并生成自然的发丝纹理，但这些具体发丝不一定就是原始内容中的真实发丝。
Super Resolution 可以生成合理的高分辨率细节，但不意味着能够恢复所有已经丢失的真实信息。
通常输入越模糊、放大倍率越高，模型需要推断的缺失信息就越多。
Video Super Resolution
Video Super Resolution（VSR，视频超分） 将低分辨率视频重建为高分辨率视频：
720p Video
↓
Video SR Model
↓
1080p / 4K Video视频可以简单地逐帧进行 Image SR：
Frame 1 → Image SR → HR Frame 1
Frame 2 → Image SR → HR Frame 2
Frame 3 → Image SR → HR Frame 3但每一帧独立生成细节，可能导致相邻帧产生不同纹理，最终表现为闪烁或细节跳动。
因此真正的 Video SR 通常还需要考虑 Temporal Consistency（时间一致性），利用连续帧之间的信息：
Frame t-1 ─┐
Frame t ─┼→ Video SR Model → HR Frame
Frame t+1 ─┘所以可以建立一个重要边界：
Image SR
→ 主要解决空间分辨率
Video SR
→ 空间分辨率
+
时间一致性Video SR ≠ Frame Interpolation
视频领域还需要区分 Super Resolution 和 Frame Interpolation（插帧）：
Video Super Resolution
720p → 1080p / 4K
→ 提高空间分辨率
Frame Interpolation
24 FPS → 60 FPS
→ 提高时间采样率 / 帧率前者增加每一帧的空间细节，后者增加时间轴上的帧数量。
在生成式 AI 中的位置
Super Resolution 经常作为生成 Pipeline 中的高分辨率增强阶段：
Prompt / Condition
↓
Generation Model
↓
Low / Medium Resolution
↓
Super Resolution
↓
High Resolution Output它也可以作为独立模型，直接处理已有的图像或视频。
因此：
Super Resolution 描述的是一种 AI 任务，而不是某一种固定的模型架构。
CNN、GAN、Transformer、Diffusion 等不同类型的模型都可以用于实现 Super Resolution。
核心关系
Super Resolution
│
├── Image Super Resolution
│ └── Spatial Resolution
│
└── Video Super Resolution
├── Spatial Resolution
└── Temporal Consistency同时注意：
Upscaling
→ 提高尺寸 / 空间采样
Super Resolution
→ 提高分辨率 + 重建 / 生成细节
Frame Interpolation
→ 提高视频帧率一句话理解：
Super Resolution（超分）是利用模型将低分辨率视觉内容重建为高分辨率内容的 AI 任务；它不仅增加像素数量，还会根据输入信息和模型学到的先验推断或生成缺失细节，而视频超分还需要处理连续帧之间的时间一致性。