这篇论文有意思的地方在于：它把超分辨率的原料从「模型编的纹理」换成了「同一件物品在别的照片里的真纹理」——放大低清图时，毛衣的织纹不再是猜的，而是抄的。
编出来的细节，是个行业尴尬
现在手机和云端的「AI 画质增强」大多是生成式的：一个扩散模型（一类靠逐步去噪来生成图像的大模型）看着模糊小图，想象高清版长什么样。画面确实好看，但补出来的细节是编的——织纹、砖缝、皮肤质感看着合理，凑近全是模型按统计规律画的。这也是修复过的照片不能当证据、电商平台对 AI 修复商品图很谨慎的原因之一。
早有一条「参考图超分」路线想解决这个问题：给模型再看一张高清照片，把纹理借过来。但它借的通常是「同类」——另一件风衣、另一面砖墙。风格接近，细节仍对不上。
关键转折：从「同类」收紧到「同一件」
GraftSR（arXiv 2608.25334）把参考收紧到同一实例：你拍糊的那件外套，电商图库里本来就有它的多角度高清图。作者据此构建了 TexRefSR-141K——14.1 万组训练数据，每组是一张人为退化的低清图、同一商品的高清参考图，以及两边各自的物体区域标注，并配套了一个小规模评测集。
难点在于两张图完全不对齐：角度不同、位置不同，直接把参考特征灌进模型，背景和别处的纹理会一起串进来。论文的转折是把笼统的「借」拆成两个明确的问题：从参考里取什么（一张掩码圈住参考图中的目标物体），往低清图里贴哪里（另一张掩码圈住它在目标图中的位置）。掩码由大模型协作产生：一个视觉语言模型（能看图并用文字回答的多模态大模型）先判断两边拍的是同一件什么，通用分割模型 SAM3 再按这个名字把物体抠出来。
生成主体同样是现成大模型：作者没有从头训练，而是在开源图像编辑模型 Qwen-Image-Edit 上挂了一个 LoRA（只训练一小片新增参数的微调方法），让「编辑大模型」改行做参考引导的超分。消融实验显示，这种掩码软注入比常规的交叉注意力注入更能保住纹理一致性。在其自建评测上，感知指标 LPIPS（越低表示人眼感知越接近）比此前最好的方法低约 20%；50 组场景的小规模人评中，82% 的选择压过最强对比方法，也压过让 Gemini-3-Pro 直接做超分。
会先落在哪
电商是最直接的落地点：商品图库天然就是「同实例多视角」，买家秀的糊图可以照着官方图修。相册是第二站——同一场景的连拍、多设备照片、聊天群里转存的压缩图，任何一张清楚的都能给其它糊的当参考。再往远处，影像工具里可能多出一类「纹理出处」标注：修图时记录哪些细节来自哪张参考图，这与当下对 AI 内容溯源的要求是同一个方向。
局限与存疑
它假设参考图存在且检索正确，而论文直接从图库取参考：检索错了会怎样？外形相似但不是同一件的商品，会不会被悄悄「替换」细节？正文没有讨论——实际产品里，检索这一环未必比生成容易。其次，训练数据全部来自时尚电商，纹理域偏窄（布料、皮革为主），换到自然场景是否成立待验证；作者也承认输入退化太重时会为保真牺牲细节。还有一层不该忽略的反面：同一个能力反过来用，也能把 A 图的细节「合法地」搬进 B 图，真要在取证场景落地，参考图的来源链路必须可审计。
（完）