HarmonyOS 7 图像超分—一场发生在手机里的"放大"比赛：四种超分算法同台横评

把一张 180×180 的小图放大 4 倍变成 720×720，中间到底发生了什么？我在 HarmonyOS 手机上搭了一个擂台，请来四位"放大选手"同台竞技：老好人双线性、考究派双三次、完美主义 Lanczos-3，以及最神秘的边缘侦探 DSEI。全程实拍、全程量化、不吹不黑。看完全文你会知道：哪种放大方式配得上你的照片。

比赛规则

四位选手做同一件事：把一张 180×180 的低清图片放大到 720×720（4 倍），全程跑在一部真实的手机 CPU 上（单线程、无 NPU、无 AI 模型）。

评分只有一个口径：梯度能量增益——放大结果里"边缘陡峭程度"相对双线性基线的提升百分比。梯度能量是个朴素的指标：数一数相邻像素亮度差的总和，过渡越锐利、细节越丰富，数值越高。它不完美（后面会讲到它翻车的时刻），但足够诚实。

参赛选手介绍：

• 1 号 双线性：老好人。只看目标点周围最近的 4 个像素，按距离加权平均。快、平滑、永不犯错，也永远平庸；
• 2 号 双三次 Catmull-Rom：考究派。把视野扩到 4×4 邻域，用一条三次曲线细细描摹，锐度上一个档次，偶尔在强边缘"用力过猛"；
• 3 号 Lanczos-3：完美主义。6 像素宽的 sinc 核，理论上最接近理想重建，细节保留最好，代价是算得最慢、偶尔在硬边缘周围泛起"涟漪"；
• 4 号 DSEI：边缘侦探。前三位都是"各向同性"选手——眼里只有距离，没有方向。DSEI 会先侦探边缘的方向，再沿着方向插值，这是它和其他人本质的区别。

第一轮：几何考试

真实的照片太"温柔"，会把算法差异糊在一起。所以第一轮用零反锯齿的几何测试卡——边缘锐利、线条笔直、圆环同心，谁糊谁锐一望便知。

这是 180×132 的原始考题：八色条、同心圆环、45° 斜纹、细线栅格。

双三次的答卷：整体放大的确更平滑，但注意圆环和斜纹——过渡带变宽了，像隔了一层薄纱。这是各向同性插值的宿命：它不知道边缘朝哪，只好把两边的颜色都抹一点。

DSEI 的答卷：色条边界依旧锋利，斜纹根根分明。代价也看得见——强边缘处有轻微的阶梯感，像一级一级的楼梯。锐利和平滑，这对冤家在像素世界里不可兼得，只能选边站。

第一轮判分：几何细节 DSEI 胜出，双三次次之，双线性垫底（不出所料，它的角色本来就不是参赛，是标尺）。

第二轮：实拍考试

几何图形说服了头脑，真实照片才能打动眼睛。第二轮三道题：雪山湖景、老城黄昏、微距翠鸟——分别代表平滑渐变、高密度结构、高频纹理三类场景。

题一：雪山日出（平滑渐变场景）

DSEI 交卷：51ms，细节增益 +0%。先别失望——这是全场最有教育意义的一张成绩单。雪山湖面以平滑渐变为主，双线性和 DSEI 在平坦区的输出几乎一模一样，梯度能量当然持平。在平坦场景里，边缘侦探无用武之地，它就该是 0。 指标没有说谎，是场景没有给机会。

题二：老城黄昏（高密度结构场景）

换成双三次做题：老城充满建筑轮廓、雨棚条纹、湿地反光，结构越密，插值差异越被放大——这次双三次拿到 +9%。同一套代码、同一个指标，场景一换，结论反转。脱离图像内容谈算法优劣，都是耍流氓。

题三：花间翠鸟（高频纹理场景）

微距是地狱难度：羽毛的丝缕、水珠的高光、花瓣的脉络。180px 输入放大 4 倍后，结构和色彩依然可辨，但你也清晰看到了插值的天花板——它只能重新排布已知信息，不能发明 180px 里根本不存在的细节。这 27 倍的像素增量里，有多少是"算"出来的，有多少是"编"出来的，值得每个用放大功能的人心里有数。

插播：指标翻车的时刻

梯度能量这个裁判也有被打脸的时候。看这个实验界面：

同一个引擎，在雪山场景给出的增益是 0%。如果只看数字，你会以为"算法没用"。但把结果放大到像素级对比，DSEI 在山脊线上的表现明明更好——只是山脊占整图面积太小，被大面积的平滑湖面稀释掉了。全局指标天然偏爱大色块，局部优点会被平均数吞掉。

这就是为什么专业评测从来不只看一个数：全局指标之外，还要局部采样、还要人眼终审。数字负责排序，眼睛负责裁决。

最终成绩单

选手	单帧耗时(4x)	锐度	翻车场景	适合的活
双线性	~30ms	★	一切需要细节的场合	极低端设备、速度压倒一切的底噪
双三次 Catmull-Rom	~40ms	★★★	强边缘轻微振铃	通用照片的默认解
Lanczos-3	~50ms	★★★★	硬边缘涟漪	细节优先的文字/图形
边缘侦探 DSEI	~50ms	★★★★	强边缘阶梯感	线条、建筑、任何"边缘就是内容"的图

（耗时为模拟器实测，真机只会更快；增益数字从 0% 到 9% 不等，取决于场景——这正是本文最想让你记住的一行。）

那到底该怎么选？

一张决策表送给你：

• 放大人脸、风景、渐变 → 双三次足够，DSEI 无用武之地；
• 放大文字截图、二维码、建筑 → 边缘导向类（DSEI）收益显著；
• 放大图标、线稿、几何图形 → DSEI 优势最大，锐利即正义；
• 设备性能捉急 → 双线性保平安；
• 对"编造细节"零容忍（医疗、取证） → 只用插值，远离一切生成式方案。
  

彩蛋：这场比赛的成本

四位选手全部跑在一部手机 CPU 的单个线程上，没借 NPU 一分力：最贵的 Lanczos 也只要 50ms——比一次网络请求还快。这就是经典算法在端侧的底气：可解释、可定制、处处能跑、快得离谱。

它们和 AI 超分不是替代关系，而是分工关系：

• AI 模型：见过百万张图，能把 180px 里不存在的纹理"编"得像模像样——适合大倍率、对真实性容忍度高的场景；
• 经典插值：只重组已知信息，绝不发明——适合对真实性零容忍的场景，以及作为 AI 不可用时的兜底。

下次当你在相册里双指放大一张照片，不妨想一想：此刻在你掌心里跑的，是哪位选手？它看到的是距离，还是方向？