超分辨率：从退化观测反推高分辨率，不等于找回真实细节

把一张 64×64 的图像放大到 256×256，并不需要任何学习模型——双线性插值就能完成。插值所做的是在两个已知像素之间按距离取加权平均，把空白位置填成相邻像素的平滑过渡。这样得到的图确实更大，但并没有出现任何新内容：边缘依旧模糊，纹理依旧丢失，只是把低分辨率下的模糊状态原样铺开在更大的画布上。真正的问题从来不在于“把尺寸变大”，而在于“把已经被丢弃的信息找回来”。

一张照片在进入低清观测之前，经历了模糊和降采样。模糊把相邻像素的高频差异抹平，降采样又直接丢弃了大部分像素。经过这两步之后，原来属于边缘、皮肤纹理、文字笔画、材料质感的那些高频细节已经不可逆地消失了。当只拿到这张低清结果时，存在无数张不同的高清原图都能经过同样的模糊和降采样变成它。也就是说，输入只对应着“一族”可能的解释，而不是一个唯一的历史事实。

学习模型与插值的区别正在于它如何处理这种不唯一性。插值对未知区域只能按邻近像素平滑填值，它不创造纹理，因为它根本不知道纹理应该长什么样。学习模型则事先在大量图像中见过边缘如何走向、皮肤如何过渡、文字笔画如何排布、不同材料的表面如何反光，于是它能为每一个未知位置选出一个“看起来最可能”的高频细节。这种先验让它输出的结果显得锐利、清晰、细节丰富，但这些细节是被推断出来的，而不是从观测中恢复出来的。

因此，“更清晰”的正确理解是：它是在给定低清输入和训练先验之下最合理的一种猜测。这个猜测可能恰好与真实原图一致，也可能是一个逼真但历史上从未存在的细节。模型既不能从数学上排除其他同样能退化成该输入的候选，也无法在没有真值的情况下证明自己的选择就是当初那一个。是否接受这种猜测，取决于使用场景——监控取证要求细节必须真实可信，而娱乐放大则允许更自由地生成一个好看的版本。这一节确立的边界贯穿整个主题：超分辨率的本质是从退化观测反推高分辨率解释，而不是找回被删掉的真实信息。

超分辨率模型需要一个关于“低清图像是如何产生的”的假设，才能反过来学习重建。最经典的写法把成像过程压缩成一条链：

y = (x ∗ k) ↓s + n

其中 x 是高分辨率原图，k 是模糊核，∗ 表示卷积，↓s 表示按倍率 s 降采样，n 是噪声，y 是最终观测到的低清图像。它表达的物理含义是：一张高清图先被某个模糊核抹掉高频细节，再被抽掉大部分像素，最后叠加传感器或传输噪声，才变成我们手里那张低清图。模型在训练时用这个正向过程生成成对的低清—高清样本，学习它的逆映射。

问题是这条链过于干净。真实世界里的手机截图、监控画面和社交媒体图片，在模糊和降采样之外还叠加了大量额外操作：锐化、JPEG 压缩、去噪、屏幕重拍、多次转码，每一项都会再次改变像素分布。如果训练只用“双三次缩小”这一种退化来制造低清样本，那么模型学到的是“如何反转双三次缩小”，而不是“如何反转真实成像”。当真实图片带着压缩块、振铃或重影进来时，这些人工痕迹并不在训练分布里，模型无法把它们识别为退化，反而会当成图像内容的一部分，把 JPEG 压缩块当作纹理放大，把锐化边缘当作真实轮廓增强。这就是训练退化与真实退化不匹配造成的失败。

由此产生了两种截然不同的设定。在“非盲超分”里，退化核被认为是已知且固定的，模型只需要处理这一个核的逆问题。在“盲超分”里，退化核本身是未知的，模型必须同时完成两件事：估计眼前的低清图经历了怎样的退化，再基于这个估计去重建图像。后者的难度大得多，因为估计退化和重建图像相互耦合——退化估错，重建方向就错；而重建结果反过来又会影响对退化的判断。

先验在这条因果链中扮演着双面角色。模型之所以能补出锐利的细节，靠的是从数据中学到的关于自然图像统计规律的先验。先验越强，在退化匹配时重建得越好；但一旦真实退化偏离了训练假设，强先验就会把失配当成需要“修复”的内容，凭空生成出更逼真也更虚假的结构。因此，经典退化模型的价值不在于它是否真实，而在于它明确暴露了模型的假设边界：凡是超出 y = (x ∗ k) ↓s + n 这条链的成像过程，都属于模型未必有能力正确处理的区域。

“4 倍超分”这个说法容易让人低估任务的规模，因为 4 指的是边长倍率，而图像的信息量随面积增长。把一张 64×64 的灰度图放大到 256×256：输入是 64×64 = 4096 个像素值，输出是 256×256 = 65,536 个像素值。面积倍率是 4² = 16，输出的像素数是输入的 16 倍。换句话说，模型要从 4096 个观测值中推断出 65,536 个输出值，其中 65,536 ÷ 4,096 = 16 倍的数值是它凭空补出来的，而不是观测到的。

这 16 倍并不是 16 份独立的新证据。每个低清像素在输出网格上对应约 16 个位置，这 16 个位置之间高度相关——它们必须共同呈现出一个边缘、一块纹理或一个字符，否则整幅图就会碎掉。模型能做这件事，靠的是空间先验：它知道自然图像里相邻位置不是任意的，边缘有连续性，纹理有重复性，物体有形状约束。先验越有效，这 16 个位置彼此约束得越紧，输出就越像一个真实的整体。

但也正因为这些数值来自先验而不是观测，随着倍率提高，能够由输入直接约束的高频信息占比迅速下降。2 倍时每个输出像素还能从邻近的观测像素里得到较多锚定，4 倍时大部分细节已经是推断，到了 8 倍，可被输入约束的高频几乎消失，剩下的几乎完全由模型的生成能力决定。因此倍率越高，输出中“看起来真实但无法由输入证明”的内容越多。

这一点在特定目标上尤其危险。8 倍超分下生成的人脸“睫毛”、车牌或证件上的“文字笔画”，本质上是模型根据先验补画出来的细节。它们可能在统计上很像真的，但没有任何观测像素支撑其中某一笔确实存在。把这类放大产物当作识别证据使用，就是把模型的猜测当成事实。倍率公式 s² 提醒的正是这个数量级的差距：未知扩张 = s² 倍，而观测证据始终只有输入那 1 份。倍率每提高一档，两者之间的鸿沟就按平方扩大。

假设一段监控视频里拍到了一辆车的牌照，但画面经过压缩，字符糊成一团。把画面送进超分模型后，输出里出现了清晰可读的号码。这个结果看起来很有用，却不能直接拿来作为认定车辆身份的结论。原因在于模型输出的号码是从先验中补画出来的，它无法证明画面里原本就是那几个字符。要把它变成可追溯、可辩护的结论，需要一整套处理流程，而不是一张“最清晰”的图。

第一步是证据保全：保存原始视频、帧号、编码信息和哈希值，任何后续处理都不能覆盖原件。这一步保证无论如何增强，原始观测始终可查、可复核。第二步是退化诊断：估计画面经历了怎样的运动模糊、压缩和像素覆盖。如果每个字符只占据几个像素，那么字符级别的识别信息在原始画面里已经不存在，应当明确标记为“不可辨识”，而不是强行让模型填出答案。第三步是生成候选：不要只跑一个模型、挑出最清晰的一张，而是用多种合理退化设定和多个模型各自产生候选解释。第四步是一致性检验：把每个候选重新经过它假设的退化过程，检查它能否解释原始观测——如果候选经过退化后与原始画面不一致，它就不是有效的解释，无论它看起来多清晰。

第五步是跨帧验证：相邻帧里同一块车牌的真实信息是可以互相补充的，多帧对齐确实增加了观测证据；而单帧生成只是在同一份证据上叠加猜想，并没有增加任何新信息。第六步是结论判定：如果不同候选给出的字符不一致，应当如实报告“不确定”，而不是对候选做多数投票，把得票最多的字符当成真值——多数投票改变不了证据缺失的事实。

最后是呈现与责任：向使用者同时展示原始画面与增强结果，标明模型版本和参数，禁止把生成结果当作独立证据呈现。同样是放大一张图，美化工具可以为了观感自由生成，取证用途则必须优先保证忠实与可追溯。一个清晰的输出若不能通过退化一致性和跨帧检验，就只是模型对“最可能车牌”的一次猜测，而不是对真实车牌的恢复。

可以用一张示意图把超分辨率的根本困难画出来：图的左侧是一个低清观测 y，右侧是多个不同的高分辨率候选 x₁、x₂、x₃……它们各自经过同一个退化模型（模糊、降采样、加噪声）之后，都落到同一个 y 附近。也就是说，这些彼此纹理不同的高清图，在观测者眼里是同一张低清图。这张图说明的是：退化过程是一个多对一的映射，逆问题天然没有唯一解。

超分模型的工作方式，正是面对这一族候选，用从数据中学到的先验在其中做出选择。模型不会声称“这是唯一的真相”，它只是依据“自然图像里哪种纹理更常见、更连贯”这个标准，挑出一个看起来最合理的候选。两个训练数据不同或先验不同的模型，完全可以对同一张低清图给出两张都合理、却纹理不同的高清结果——一个给出草地的纹理，另一个给出碎石路的纹理，二者经过退化后都能解释原始观测，谁也驳不倒谁。

这张图同时也划定了数据一致性的能力边界。所谓数据一致性，就是要求候选经过退化后与观测 y 相符。这一要求非常有价值，但它只能排除掉那些退化后与 y 不符的候选，把一个无穷大的候选空间缩小到“都能解释 y”的子集。它无法在这个子集内部再做区分，因为它对子集里的每个成员都同等满意。因此，数据一致性是恢复信息的必要条件，却绝不是充分条件：通过一致性检验，只说明候选是一个可能的解释，不说明它就是当初那个真实的高清图。

图 1 传达的结论因此是双重的。一方面，它解释了为什么超分结果“合理”却未必“正确”——合理来自先验，正确需要真实信息，而真实信息在退化中已经丢失。另一方面，它解释了为什么必须保留“一族解释”的视角：只要观测不变，任何通过一致性检验的候选都无法被判定为假。模型输出的那个“最清晰”的答案，永远是这族解释中的一个代表，而不是对唯一真值的恢复。

同一个低清输入，用不同的目标函数训练，会得到不同倾向的高清答案。目标函数决定了模型在“一族可能解释”里究竟选哪一个，因此理解各类损失的含义，比比较模型的网络结构更能解释输出差异。

像素损失（L1 或 L2）直接比较输出与配对真值逐像素的差距，目标是把输出像素拉到与真值平均最接近的位置。它的偏好是“贴近真值的平均”，由此带来一个典型后果：当一个低清位置对应多个可能的高清纹理时，对所有纹理取平均得到的是它们都沾一点、却都不清晰的中间态。于是 PSNR 指标最高的图，往往反而是最模糊的——它牺牲了每个单独解释的锐度，换取了与所有解释的平均距离最小。这类损失适合需要像素级准确、不能容忍偏离的场景，但天生倾向于平滑。

感知损失在高层特征空间里比较输出与真值，关注的是纹理、结构这类高层模式是否相似，而不是逐像素数值是否一致。它能把图像推向“结构上更真实”的方向，代价是允许局部像素与真值发生偏离——只要高层统计上相似，个别像素错位不再被惩罚。这让输出更锐利、更接近人眼认为的真实，却可能在局部丢掉精确性。

对抗损失走得更远：它不再要求输出贴近某个具体真值，只要求输出“落在自然图像的分布里”，让判别器无法区分。目标是让结果整体像一张真实照片，于是模型可能生成出可信却并不存在的细节——纹理逼真，但与原观测的信息无关。扩散先验则把生成进一步一般化：从给定低清输入所条件的高清分布中采样，而不是输出一个确定解。不同随机种子会得到不同的合理解释，这直接对应了“一族高清解释”的图景。

这四种目标并非简单的优劣排序，而是沿着“感知—失真”的一条张力轴分布。像素损失站在失真一端，对抗与扩散站在感知一端，感知损失介于两者之间。追求失真，就会牺牲感知锐度；追求感知，就会容忍失真甚至引入虚假细节。没有任何单一损失能同时做到两者最优。因此在实际使用中，必须先明确任务的优先级：取证、测量类任务应偏向失真，让输出忠实于观测；观感增强类任务应偏向感知，接受生成性的细节。损失函数的选择，本质上是在为“哪种错误更不可接受”投票。

盲超分之所以难，不在于网络不够深，而在于真实图像的退化链远超出训练合成器能模拟的范围。一台相机可能先做去噪、再做锐化，图像上传到社交平台后又被缩放和 JPEG 压缩，用户截屏之后还可能被二次重拍。这些操作串成一条链，而且顺序不可交换——先锐化再压缩，与先压缩再锐化，得到的是不同的像素结果。合成器如果只按固定顺序制造训练样本，就永远遇不到真实世界里那些由不同设备、不同流程交错产生的“顺序效应”。

为了逼近这种现实，高阶退化方法不再只用单一的模糊核和一次降采样，而是用多轮随机组合——随机模糊、缩放、噪声、JPEG 压缩、sinc 滤波——串成一条随机顺序的退化链，让训练样本覆盖尽可能多的组合。这比单一退化有效得多，因为模型在训练中见过的退化种类越多，遇到陌生退化时把它误当成纹理的概率就越低。但覆盖永远不可能完整：设备型号、固件版本、压缩参数、重拍条件千差万别，任何有限的退化池都只能覆盖真实退化空间的一个子集。

因此，把“万能 4×”模型当成对一切图像都适用的工具，是一种不诚实的承诺。更稳妥的做法是分域部署：上线前按相机照片、扫描件、动漫、文本截图、网络图片等不同来源划分领域，为每个领域训练或选择退化假设更匹配的模型；同时在推理时加入失配检测，或让用户明确选择当前图像属于哪种模式。这样做承认了模型假设的边界，而不是假装一个模型能同时反转所有可能的成像过程。盲超分的进步，本质上是退化覆盖范围的扩大，而覆盖范围的上限决定了模型能力的上限。

扩散超分与回归式超分有一个根本区别：它输出的不是一张确定的“重建结果”，而是从条件分布中抽取的一个样本。整个过程从纯噪声出发，在低清图像作为条件和生成先验的双重约束下，一步步去噪，逐步采样出一张高清图。因为出发点是随机噪声，同一个低清输入、换一个随机种子，就会得到一张细节不同但同样合理的高清图。

这种“换种子就变”的现象并非缺陷，反而近似地展示了后验不确定性。把多个种子产生的样本放在一起看，可以分辨出哪些内容是观测真正约束住的、哪些内容是先验补全的：稳定的部分——大结构、主要轮廓——在所有样本里都保持一致，说明它们受到低清观测的强约束；而变化的部分——细小的纹理走向——在不同样本间跳动，说明它们主要由生成先验决定，观测并没有指定它们该长什么样。这正好把前面“一族高清解释”的抽象概念变成了可观察的东西：那些跳动的细节，就是解释族中尚未被观测固定的自由度。

在条件与先验之间有一个可以调节的强度。指导过强，即让样本严格贴合低清条件，可以提升条件一致性，让结果更忠实于观测；但代价是可能出现过锐或重复的纹理，因为先验的自由度被压缩后，模型倾向于重复最可能的模式。反之，指导过弱，样本更自由、更多样，却可能偏离观测。

因此扩散超分的使用方式应当随场景改变。在创意增强里，可以让用户在不同种子的样本之间挑选自己喜欢的一张，把不确定性当作可选的风格。但在医学、科学成像和取证场景里，不确定性本身就是必须如实报告的信息：应当向使用者展示多个样本之间的差异，或主动限制生成先验的强度，避免模型用看似精细的纹理掩盖了证据的缺失。扩散超分让“输出是条件样本而非唯一重建”这件事变得直观，而这一点恰恰是使用它的人最需要牢记的。

数据一致性回投影是一种检验超分结果的方法：把重建结果 x̂ 通过估计出的退化过程 D 重新生成一张低清图，然后比较 D(x̂) 与原始观测 y 之间的残差。它的逻辑很直接——如果模型输出的高清图真的来自眼前这张低清图，那么把它退化回去，应该能得到原来的低清图。残差大，说明模型无视观测，生成了一张与输入不兼容的图；这种结果可以直接判定为不合格。

但残差小并不等于细节真实。回投影检验能证明的是“候选与观测兼容”，而不能证明“候选中的高频细节确实存在”。原因与一族高清解释的问题相同：许多彼此不同的高清图，经过同一个退化 D 之后都会缩成同一个 y。回投影只能在这族解释内部排除掉退化后对不上的那些，却无法在“都能缩成 y”的候选之间做出真假区分。一张完全虚假、但退化后恰好等于 y 的高清图，同样能通过这项检验。所以回投影是必要检查，却不是充分证明。

要让这项检查更有信息量，不能只跑一个种子、一个模型、一个退化假设。应当同时比较不同随机种子、不同模型和不同退化假设下的多个候选：如果某个区域的细节在所有候选里都一致，它受到观测的约束较强，可信度较高；如果某个区域在不同候选间分歧很大，就说明观测没有固定它，应当标记为不确定，而不是从中挑一个“最好看的”当作事实。

更根本的改进方向是增加真实观测，而不是增强先验。如果手头还有同一场景的多帧图像、RAW 原始数据或另一视角的画面，应优先引入这些信息——它们带来的是新的观测证据，能真正缩小解释族；而更强的生成先验只是在同一份证据上更自信地猜测。区分“多一个约束”与“多一个猜测”，是回投影检验背后最值得记住的界线。

并非所有内容都同样容易在超分中出错。文字、人脸和规则纹理是幻觉风险最高的区域，原因在于训练先验对它们有着极强的偏好。模型在数据中反复见过五官如何排布、字形如何书写、砖瓦和栅栏如何重复，于是在输入证据不足时，它会倾向选择那个最常见的模式。一块模糊的招牌，模型可能把它“补”成一行流畅的字，但补出来的字未必是招牌上原来的字——只是最像字的样子。错误文字往往比原图的模糊更清晰、更可读，这反而让它们更容易被误信，因为观感上的“清楚”被当成了“正确”。

人脸是同样危险的区域。模型对人脸五官结构有强烈的先验，证据不足时可能重塑出一个身份特征，把一个人的脸变成“看起来像某个真实人脸”的样子。这个重塑过程服从的是“自然人脸应长什么样”的分布，而不是“这个人具体长什么样”的证据。于是超分后的人脸可能清晰、逼真，却不再对应原来的身份。规则纹理（如砖墙、织物、栅栏）也有类似风险：重复结构让模型很容易续出一个看似连贯的模式，而真实的破缺或异常反而被抹平。

对抗这种幻觉风险，需要主动设计检查手段，而不是依赖肉眼判断。对文字，可以用 OCR 的一致性来辅助：如果超分结果退化回原图后 OCR 识别结果稳定、且与相邻帧或多视角一致，可信度才高。对人脸，可以比较身份嵌入在不同模型、不同种子下的稳定性。对所有高风险区域，多种子分歧是一个通用信号——某个细节在不同种子间反复变化，就说明它是先验补全而非观测约束。此外，人工对照始终是不可省略的一环：界面应同时展示原图和增强图，让人能看见模型补了什么，并禁止任何不可追踪的覆盖——原图必须始终可见、可回查。幻觉的高风险区并非不可处理，而是必须以“模型在猜测”为前提来设计防护，而不是把清晰输出当作事实接受。

超分模型的好坏不能用单一指标衡量，因为失真、感知和任务表现常常互相矛盾：PSNR 最高的图可能最模糊，LPIPS 感知最优的图可能引入虚假细节，人眼最偏好的图未必在任务上最可靠。正确的做法是同时报告多个维度的结果，并明确每个维度回答的是什么问题。

在有配对真值的合成数据集上，应报告失真类指标（如 PSNR、SSIM）和感知类指标（如 LPIPS）。失真指标衡量输出与真值逐像素、逐结构上的接近程度，感知指标衡量高层外观的相似度，两者共同才描述了一个模型在“贴近真值”与“看起来真实”之间的位置。对真实世界的盲超分，往往没有配对真值可用，此时需要改用无参考盲质量指标、人工偏好评分和退化一致性检验——退化一致性尤其重要，它检查输出经退化后能否解释原始观测，是真实场景下少数可执行的客观检验之一。对任务型场景，则直接测下游任务的表现：OCR 识别率、目标检测精度、医学诊断判断等。

任务指标虽直观，却要防止一种隐蔽的失真：增强模型可能学会迎合下游模型的口味，把图像往“下游模型更容易识别”的方向修饰，从而偏离了事实本身。下游准确率上升，不等于细节更真实。因此任务指标的改善必须与失真、一致性指标并看，确认提升来自真实信息的恢复，而不是来自迎合。

评测还应当切片，而不是只给一个总数。不同的退化类型、倍率、图像内容和设备来源，表现差异可以很大，按这些维度分别报告才能暴露模型真正薄弱的场景。最后，要报告多种子方差（衡量不确定性）、失败率和延迟——失败率和延迟决定能否部署，多种子方差揭示哪些区域是猜测。评测报告里不要只挑最锐利的样本展示，也不要仅凭下游准确率的改善就宣称细节真实。一个诚实的评测，是把失真、感知、任务和不确定性四个维度都摆出来，让使用者按自己的场景决定哪一个维度优先。

同一个超分模型不适合不加区分地用在所有场景。部署时首先要分清用途，选择保守或生成两种不同的模式，因为不同场景对“可接受的错误”有完全不同的标准。

老照片修复和创意类应用可以走生成模式：允许用户选择生成强度，把补出的细节当作一种可编辑的创作，并明确告知哪些内容是生成的。电商美化处在中间地带：观感很重要，但必须保护商品的真实属性——颜色、材质、细节不能被超分随意改写，否则展示图与实物不符会直接构成误导。法证、医疗和科研则必须走保守模式：优先保守重建，忠实于观测，保留原始数据，并保证参数可重复，任何生成性的细节都应被限制或明示。

在技术实现上，部署大尺寸图像时要用重叠切片的方式逐块处理，避免块与块之间出现接缝；色彩空间和 alpha 通道需要单独处理，不能把 RGB 的放大逻辑直接套用在带透明度的图层上，否则会在边缘产生伪影。

无论哪种模式，审计与溯源都是底线。应当保存原图、所用模型、退化模式、随机种子和完整操作历史，让每一步都能回放。任何增强输出都不应替代原始资产——增强图是派生物，原图是事实，二者在存储和呈现上都必须区分清楚。把“用途决定模式”与“原始资产永不被覆盖”这两条同时落实，超分才能在不牺牲可信度的前提下发挥它的价值。

把前面各节串起来，可以看到一条从问题直达可验证实践的完整因果链，它由八个环节构成，环环相扣。

第一环是确定用途是否允许生成细节。这一步在所有技术动作之前，因为它决定了整条链的取向：取证、医疗要求忠实，创意修复可以接受生成。用途不定，后面每一步的目标函数都会摇摆。

第二环是建模退化：把眼前的低清图理解为经过模糊、降采样、噪声与压缩之后的产物，尽可能还原它到底经历了哪些操作。这一步的假设越接近真实成像过程，后续重建越不容易失配。

第三环是选择倍率并计算信息缺失。倍率 s 带来 s² 倍的面积扩张，4 倍超分意味着输出像素数是输入的 16 倍，其中绝大多数数值无法由观测直接约束。把缺失量算清楚，是为了在使用结果时保持清醒。

第四环是用保真损失和生成先验重建。保真损失把输出锚定在观测与真值附近，生成先验为缺失的高频提供“最可能”的补全。两者的配比就是失真与感知之间的取舍，用途在此刻转化为具体的训练目标。

第五环是回投影检查数据一致性。把重建结果经退化模型重新生成低清图，与原始观测比较残差。残差大则结果无效，残差小也只说明兼容而非真实。

第六环是比较多种子、多模型的结果，揭示不确定区域。稳定的大结构受观测约束，跳动的纹理由先验补全，分歧区就是应当如实标出的“猜测区”。

第七环是按感知、失真和下游任务同时评测。单一指标会掩盖矛盾，切片报告和失败率、延迟才是可部署的依据。

第八环是保留原图并标注增强来源与边界。增强输出永远是派生物，原始资产必须可见、可回查、可复现。

这条链一旦落地为工程，还需要一套验证协议来确认某个机制是否真的起作用。验证层首先固定输入：同一批样本、相同的前处理与权限边界，记录输入哈希、切片标签和拒绝原因，保证比较的是同一地基。其次固定机制：只改变一个核心变量，其余配置全部锁定，并记录关键中间状态以及首次偏离预期的位置，这样才能把因果归结到被改动的那个变量。输出端使用同一套验收规则与资源预算，比较质量、成本、延迟和失败率的分层差异。最后保留反证：设置不启用目标机制的对照组，检验收益是否跨样本、跨随机种子稳定复现。只有通过了这层验证，一个超分机制的改进才不只是“某张图更好看了”，而是可重复、可归因、可部署的事实。