CVPR 2026 | 支撑春晚合肥 7 分钟的4K画面奇观 PS-SR让视频超分不用在速度与质量间为难

鱼灯破水，凌空游城；火狮踏焰，奋跃腾空；一群剪纸奔马通体透亮，在壁中狂奔；一纸诗词垂挂成瀑，于天幕间翻卷——2026年央视春晚合肥分会场《合韵满江淮》，用一连串美轮美奂的超现实奇观，刷新了虚实融合的想象边界。
很多人不知道的是，支撑这些4K级画面的技术核心，来自智象未来团队提出的PS-SR，一个“伪单步”（Pseudo-Single-Step）视频超分框架。凭借这一突破性工作，该成果已被计算机视觉顶级会议CVPR 2026接收。 把天马行空的创意落地为春晚级的播出画面，不仅需要在4K画质下高效处理海量实拍与生成素材，更重要的是，60帧率下，每一帧都要经得起逐秒推敲。鱼灯的鳞片反光必须与水波同频，奔马的筋肉在疾驰中不能有丝毫畸变，AI生成的特效要与真人实景严丝合缝地“长”在一起——仿佛它们本就属于那个时空。 而这所有一切的前提，离不开一项基础能力：视频超分。没有足够清晰、稳定、真实的底层4K画面，那些极致的细节和虚实融合，根本无从谈起。 当视频超分辨率（Video Super-Resolution, VSR）走向真实应用，一个绕不开的问题出现了：模型究竟应该更快，还是更好？ 单步模型速度快，适合部署，却往往难以补出真实高清视频中的高频纹理；多步扩散模型细节丰富、视觉质量强，却因为反复迭代而计算昂贵。对于长视频、高清分辨率和接近实时的增强场景而言，这个矛盾尤为尖锐。 智象未来团队提出的PS-SR，一个“伪单步”视频超分框架，恰好瞄准了这个问题。它并不简单地把多步扩散压缩成一次前向传播，而是重新分配扩散采样中的计算角色：强大的base model（基础模型）只执行最关键的一步，确定全局结构与内容一致性；轻量的draft model（草稿模型）再接力完成后续细节增强。通过这种投机扩散（Speculative Diffusion），PS-SR试图同时获得接近单步模型的速度，以及多步扩散模型擅长的视觉丰富度。
论文标题：PS-SR: Pseudo-Single-Step Video Super-Resolution via Speculative Diffusion ## 视频超分的老难题：快与好，为什么总要二选一？ 视频超分不只是把低分辨率画面放大。真实的低清视频通常同时包含压缩伪影、噪声、模糊、纹理缺失和运动退化。模型不仅要恢复单帧纹理，还要保证连续帧之间不闪烁、不漂移。 基于CNN或Transformer的传统VSR方法效率较高，也能保持较强的输入输出一致性，但面对严重退化时，往往只能给出偏平滑的安全结果。扩散模型虽然带来了更强的生成先验，可以在低清人脸、车辆结构、衣物纹理等区域补出更自然的细节，却需要多步采样，推理成本居高不下。 近年来，单步扩散蒸馏方法试图破解这个困局，但单步模型很难完整继承多步扩散的迭代创造力。复杂纹理本是在多轮更新中逐渐形成的，一次性生成时，模型容易退回到更平均、更保守的预测。 PS-SR的核心判断是：真正昂贵的计算，未必每一步都需要。视频超分中的第一步最关键——它要稳住语义、结构和低频内容；后续步骤更多是在稳定基础上补充高频细节。因此，与其让大模型完整跑多步，不如让大模型先打好地基，再让轻模型快速补纹理。 ## PS-SR：用投机扩散制造“伪单步”体验 PS-SR的推理流程由两个不对称模型协作完成。 第一阶段由基础模型（base model）执行。该模型初始化自Wan2.1-T2V-1.3B视频扩散模型，并通过LoRA适配到视频超分任务。它只进行一次全面采样，负责恢复画面的全局结构、语义内容和低频一致性。换句话说，这一步决定“画面应该是什么”。 第二阶段由草稿模型（draft model）接管。草稿模型来自基础模型的轻量化版本，论文中采用从30个DiT blocks中裁剪20个的配置。为了让轻模型仍能获得强表征，PS-SR将基础模型对应层特征拼接给草稿模型，再通过全连接层恢复维度。这样一来，草稿模型不需要重新理解整个视频，只需在强模型给出的基础上推测并补充细节。 训练上，基础模型先在latent space中学习从低质量视频到高质量视频的速度场，并结合VSD和对抗损失增强分布对齐与视觉真实感；随后进入pixel-space training，通过L2损失与LPIPS损失提升局部质量。草稿模型则更聚焦于refinement，主要通过像素空间的L2损失与LPIPS损失学习高频细节恢复。 最终，PS-SR形成一种“1+x”式的采样体验：一个完整的基础模型采样步，加多个轻量草稿模型细化步。它不是严格意义上的单步模型，却在效率上接近单步，并保留了多步细化的空间。
## 频域更新：只补细节，不改内容 多步扩散的优势在于能不断细化纹理，但风险也在这里：模型可能越改越清晰，却越改越不像原视频。为了避免这种语义漂移，PS-SR提出了频域更新规则（Frequency-Domain Update Rule）。 这条规则的目标很直接：草稿模型后续步骤只允许注入高频细节，低频结构必须继承自前一步。具体做法是，将当前视频和新预测视频转换到YUV色彩空间，在亮度通道上提取高频成分，再通过自适应权重融合高频信息，最后与原有低频内容和色度通道组合回RGB空间。 也就是说，基础模型确定骨架，草稿模型补充纹理，而频域更新规则负责守住边界：让增强发生在细节层面，而不是变成内容重绘。 消融实验也从可视化上验证了这一点。去掉频域更新规则后，模型更容易产生看似更锐利、但与原视频结构不完全一致的细节，局部纹理和边缘会出现偏移或重绘。下图展示了FDU的作用：它不是单纯追求锐度，而是在补充高频纹理的同时约束低频内容，让视觉丰富度与内容一致性保持平衡。
## 实验结果：质量、速度和时序稳定性的平衡 PS-SR在YouHQ数据集上训练，评测覆盖合成数据集UDM10、SPMCS、YouHQ40，以及真实世界低质量互联网视频数据集VideoLQ。对比方法包括多步扩散模型STAR、SeedVR，以及单步扩散类方法DLoRAL、SeedVR2和DOVE。 在有高质量GT的数据集上，PS-SR展现出很强的重建能力。以UDM10为例，PS-SR取得SSIM 0.7547、LPIPS 0.2444、DISTS 0.1277，均为对比方法中的最佳结果；在SPMCS上，PS-SR取得PSNR 22.092、SSIM 0.6287、LPIPS 0.2940、DISTS 0.1454，同样体现出稳定优势；在YouHQ40上，PS-SR获得PSNR 21.772、SSIM 0.5873、LPIPS 0.3011和NIQE 3.7508等有竞争力的结果。
论文同时强调，PS-SR并不盲目追求无参考锐度指标最高。一些方法在CLIP-IQA或MUSIQ上更高，但可能伴随过度锐化和输入偏离。PS-SR的目标是在重建准确性、视觉细节和内容一致性之间取得更均衡的结果。
时序一致性方面，PS-SR在多个合成与真实视频场景中，都表现出更稳定的帧间对齐。下图的可视化直观展示了这一点：相邻帧之间的结构漂移和纹理闪烁更少，说明PS-SR在增强细节的同时，也能更好地维持连续运动中的内容稳定性。
速度方面，PS-SR的“伪单步”优势更直观。在NVIDIA A800 GPU上，对29帧、720×1280分辨率视频进行推理，STAR耗时98.61秒，SeedVR耗时188.93秒，DOVE作为单步方法耗时20.43秒；而PS-SR采用1+3步投机扩散，耗时仅21.11秒。也就是说，它只比最快的单步方法带来很小的额外开销，却相比50步的SeedVR快了约9倍，相比15步的STAR快了约4.7倍。
## 结语：面向高保真视频增强的新范式 PS-SR的意义，不只在于提出一个新模型，更在于给扩散式视频超分提供了一种全新的计算组织方式。 过去，视频超分常常被迫在两端摇摆：要么选择快速但偏平滑的单步模型，要么选择质量更好但昂贵的多步扩散模型。PS-SR证明，这个选择并非绝对。强模型可以只完成最关键的全局一步，轻模型可以接力补足细节，而频域更新规则则保证这些细节不会越界成语义漂移。 这正是“伪单步”的价值所在：它不否认多步生成的必要性，而是让多步生成以更轻、更受控、更接近实际部署的方式发生。对于视频修复、低清素材增强、在线内容生产和高清化播放等场景，PS-SR展示了一个兼顾速度、质量与稳定性的扩散式视频增强方向。