हाल के काम लोकल इम्प्लीसिट इमेज फ़ंक्शन (LIIF) और इसके बाद के इम्प्लीसिट न्यूरल रिप्रजेंटेशन (INR) आधारित कामों ने एमएलपी का उपयोग करके अरबीट्ररी-स्केल सुपर-रेज़ोल्यूशन (ASSR) में असाधारण सफलता हासिल की है। हालाँकि, ये निरंतर चित्र प्रतिनिधित्व आमतौर पर उच्च-रेज़ोल्यूशन (HR) उच्च-आयामी (HD) स्थान में डिकोडिंग को लागू करते हैं, जिससे गणना की लागत में गुणात्मक वृद्धि होती है और ASSR के व्यावहारिक अनुप्रयोगों में गंभीर बाधा आती है। इस समस्या को हल करने के लिए, हम एक नवाचार लाते हैं लेटेंट मॉड्यूलेटेड फ़ंक्शन (LMF), जो HR-HD डिकोडिंग प्रक्रिया को LR-HD स्थान में साझा लेटेंट डिकोडिंग और HR कम-आयामी (LD) स्थान में स्वतंत्र रेंडरिंग में विभाजित करता है, इस प्रकार निरंतर चित्र प्रतिनिधित्व का पहला गणना ऑप्टिमल पैरेडाइम वास्तविकता में लाता है। विशेष रूप से, LMF लेटेंट स्पेस में प्रत्येक LR फीचर वेक्टर के लेटेंट मॉड्यूलेशन उत्पन्न करने के लिए एक HD MLP का उपयोग करता है। यह एक मॉड्यूलेटेड LD MLP को रेंडर स्पेस में किसी भी इनपुट फीचर वेक्टर के लिए जल्दी अनुकूलित करने और मनमाने रिज़ॉल्यूशन पर रेंडरिंग करने में सक्षम बनाता है। इसके अलावा, हम मॉड्यूलेशन की तीव्रता और इनपुट चित्र की जटिलता के बीच सकारात्मक संबंध का लाभ उठाते हैं ताकि एक कंट्रोल करने योग्य मल्टी-स्केल रेंडरिंग (CMSR) एल्गोरिदम का डिज़ाइन किया जा सके, जो रेंडरिंग सटीकता के आधार पर डिकोडिंग प्रभावशीलता को समायोजित करने के लिए लचीलापन प्रदान करता है। व्यापक परीक्षण यह दर्शाते हैं कि मौजूदा INR-आधारित ASSR विधियों को LMF में परिवर्तित करने से गणनात्मक लागत में 99.9% तक की कमी आ सकती है, अनुमान को 57 गुना तक तेज किया जा सकता है, और 76% तक के पैरामीटर बचाए जा सकते हैं, जबकि प्रतिस्पर्धात्मक प्रदर्शन बनाए रखा जा सकता है। कोड यहाँ उपलब्ध है: https://github.com/HeZongyao/LMF।
हे एट अल। (गुरु,) ने इस प्रश्न का अध्ययन किया।