FinPercep-RM：用于真实世界超分辨率的细粒度奖励模型

本文解决了传统图像质量评估（IQA）模型在基于强化学习的图像超分辨率（ISR）中的局限性。通过引入细粒度感知奖励模型（FinPercep-RM）和协同进化课程学习（CCL）机制，作者旨在提高感知质量和训练稳定性，从而缓解奖励黑客攻击。使用新数据集（FGR-30k）来训练奖励模型也是一个关键贡献。

• •提出 FinPercep-RM 以解决传统 IQA 模型对局部失真的不敏感性。
• •引入 FGR-30k 数据集用于训练 FinPercep-RM。
• •采用协同进化课程学习 (CCL) 机制来稳定训练。
• •侧重于提高基于 RL 的 ISR 中的感知质量并减轻奖励黑客攻击。