简介：图像超分辨率重建是计算机视觉中的经典任务，目标是从低分辨率输入恢复出高频细节。传统插值方法难以补全丢失的边缘与纹理，深度学习特别是卷积神经网络的出现，让超分模型能够在特征空间学习复杂的映射关系。小波变换为图像提供了天然的频域分解视角，将低频结构和高频细节分离处理，配合U-Net的跳级连接结构和感知损失的特征对齐，能够有效提升重建图像的清晰度和诊断价值。在医学影像场景中，低分辨率CT切片上的肺小结节边界是否清晰，直接影响临床诊断结论，因此超分重建与模型部署的完整链路极具工程实践意义。围绕双数据集训练、CT图像预处理、模型对比和Web端推理服务，呈现从算法设计到医疗场景落地的方法与踩坑经验。

1. 项目全貌：低分辨率 CT 图像的超分重建，一次从模型到服务的完整落地

拿到这个项目时，我先跑通了一遍它的完整链路：从 DIV2K 自然图像上训练超分模型，到迁移到 DeepLesion 的 CT 关键切片，再到用 Flask 搭建一个医生可以点开网页上传 DICOM、实时拿到超分结果的平台。坦白讲，最让我意外的不是 LU-MWCNN 模型在 PSNR 上反超了 ESPCN 和 EDSR，而是超分重建这件事在医学影像场景下的价值感完全不同——低分辨率 CT 里一个模糊的肺小结节，放大后能不能看清边界，是直接影响诊断结论的。这个项目适合正在做图像识别/图像重建方向的人，想从训练代码一直写到 Web 部署，它给了你一条可以全程跑通的路径。

2. 实验体系搭建：DIV2K 与 DeepLesion 双数据集上的工程准备

在改动任何模型结构之前，先把实验阵地搭稳是必须的。这套项目里有两条实验线：一条在自然图像数据集 DIV2K 上验证改进模型的通用能力，另一条在医学图像数据集 DeepLesion 的 CT Key_slices 上做应用验证。两条线共用一套训练框架和评估流程，但数据预处理完全不同——这也是医学影像超分最常翻车的地方：拿自然图像的处理习惯直接套 CT，训练出来的模型基本没法用。

2.1 三个 baseline 模型：ESPCN、DWSR、EDSR 的选型逻辑

项目选的三条 baseline 非常典型。ESPCN（亚像素卷积网络）的核心是 sub-pixel convolution，在低分辨率空间用小卷积核提取特征，最后通过像素重排一步放大到目标尺寸。它最大的优点是推理速度快、显存占用低，缺点是网络深度有限，复杂纹理上的重建效果一般。DWSR 是 ESPCN 的轻量化变体，把标准卷积换成深度可分离卷积（depthwise separable convolution），参数量和计算量进一步下降，更适合实时推理场景。EDSR 走了另一个方向：去掉残差网络里的 Batch Normalization，把节省下来的算力全部投给通道宽度，网络更深、通道更宽，在 PSNR 指标上一直很能打，但训练显存和推理耗时也是三个模型里最高的。

选这三个当 baseline 的好处是能同时覆盖「轻量实时」和「深度精度」两个极端，后续算法改进就可以在同一个框架下做横向对比。DIV2K 原始图像是 2K 甚至更高分辨率，整图直接喂进网络显存立刻爆炸。我采用的惯例是随机裁剪成 48×48 的低分辨率 patch，配对经过 bicubic 下采样 4 倍后的高分辨率 patch 作为训练对，batch size 取 16，优化器用 Adam，初始学习率 1e-4。每轮训练都重新随机裁剪一次并加随机翻转和旋转 90 度，相当于隐式扩增了数据集规模。

ESPCN 的完整结构很短，适合作为理解全项目的起点：

import torch import torch.nn as nn import torch.nn.functional as F class ESPCN(nn.Module): def __init__(self, upscale_factor=4): super().__init__() self.conv1 = nn.Conv2d(1, 64, kernel_size=5, padding=2) self.conv2 = nn.Conv2d(64, 64, kernel_size=3, padding=1) self.conv3 = nn.Conv2d(64, 32, kernel_size=3, padding=1) self.conv4 = nn.Conv2d(32, upscale_factor ** 2, kernel_size=3, padding=1) self.pixel_shuffle = nn.PixelShuffle(upscale_factor) def forward(self, x): x = F.relu(self.conv1(x)) x = F.relu(self.conv2(x)) x = F.relu(self.conv3(x)) x = self.pixel_shuffle(self.conv4(x)) return x

逻辑说明：输入是单通道低分辨率图像，前面几层卷积都在低分辨率空间提取特征，直到最后才通过 PixelShuffle 把upscale_factor ** 2个通道重排成空间维度，一步完成 4 倍放大。参数里upscale_factor控制放大倍数，医学影像场景一般固定用 4，某些对分辨率要求不高的切片预览可以改成 2。这段代码的要点是它的计算量几乎全部集中在低分辨率空间，所以推理速度非常快。

而 EDSR 的基本单元是无 BN 的残差块，每个残差块里两个 3×3 卷积加上 ReLU，不接 BN。实际训练中我体会到，去掉 BN 让 batch size 的变化不再影响单样本统计量，训练曲线更平稳，但代价是模型对初始化更敏感，学习率稍微调大就发散。DWSR 我没单独复现过完整结构，它是在 ESPCN 基础上把所有卷积核换成 depthwise + pointwise 两层，论文里报告在同等精度下参数量下降 40% 以上，适合后面做移动端部署的同学参考。

2.2 DeepLesion 的预处理：CT 图像不是普通灰度图

到了 DeepLesion 这边，预处理逻辑要完全换一套。DeepLesion 提供的是医学 CT 的关键切片（Key_slices），每个样本是单通道灰度图，但像素值范围是原始 CT 值（HU，Hounsfield Unit），通常是 12 位甚至 16 位深，不是自然图像习惯的 8 位 0~255。直接把 12 位数据当成普通灰度图喂给超分网络，模型会花大量能力去拟合无用的大数值梯度，细节信息反而被淹没。

我这边用的处理流程分成两步。第一步做窗口化（windowing），用「窗宽/窗位」映射把感兴趣的 HU 值区间线性拉伸到 8 位范围，比如腹部 CT 常用窗宽 400、窗位 40，这样软组织对比度最高；第二步把窗口化后的图像随机裁剪成固定大小 patch，再用 bicubic 下采样同步生成低分辨率版本，作为训练对的输入侧。

这里有个容易被忽略的工程细节：DeepLesion 切片的原始尺寸并不统一，直接 resize 会破坏像素间距（pixel spacing）信息。更稳妥的做法是保留原始分辨率，在裁剪阶段统一 patch 大小，比如从 512×512 的切片里裁出 96×96 的 HR patch，再下采样成 24×24 的 LR patch。这样一来模型学习的是真实 CT 纹理统计特性，而不是 resize 后的人造痕迹。

窗口化参数的选择很多时候靠经验：肺部 CT 窗宽 1500、窗位 -600 才能看清肺纹理，腹部用窗宽 400、窗位 40 看软组织，骨窗则要用大窗宽。一套超分模型如果打算兼顾多个部位，我的经验是把窗宽窗位也做成数据增强的一部分——每次训练时在合理范围内随机采样，让模型见过不同对比度下的器官边界和噪声形态。这个 trick 在后面的实验里直接拉高了在 DeepLesion 上的 PSNR。

项目文件里出现的lena-grayscale.bmp和subband_221.bmp~subband_224.bmp，其实就是用小波分解 Lena 灰度图后保存下来的四个子带可视化。它们的作用是让你在还没跑完整训练之前，先直观确认小波分解的实现是否正确——这也是我拆这个项目时觉得比较友好的地方：每个环节都有小的中间产物可以验证。

2.3 实验指标与对照逻辑：PSNR、SSIM 与感知指标

评价超分模型，项目里用到了三个层面。PSNR 是最基础的逐像素差异度量，SSIM 衡量结构相似性，这两者是自然图像超分论文里的标配。但在医学图像上，PSNR 高不代表医生看得清病灶，像素级接近和诊断级清晰完全是两回事。所以项目专门引入了 CT-LPIPS 这个感知层面的评估指标，这部分在第四章展开。

实验对照逻辑也很清晰：先在 DIV2K 的 800 张训练图上把几个模型训到收敛，保留 100 张 val 做验证，记录 4 倍超分任务上的 PSNR/SSIM；再迁移到 DeepLesion 的 Key_slices 上做同样的训练与评估。两条线共用一套指标脚本，改的只是 dataloader 和归一化方式。我习惯每 5 个 epoch 在 val 集上计算一次 PSNR/SSIM 并保存 checkpoint，这样可以尽早发现「训练 loss 下降但验证指标不动」的过拟合信号，及时回调学习率或加权重衰减。

3. 核心模型拆解：LU-MWCNN 的小波 + U-Net + 感知损失设计

LU-MWCNN 是这个项目里最重要的模型改进，它把三样东西绑在了一起：小波变换、U-Net 骨架、感知损失多任务学习。自然图像实验部分的核心工作都落在这里，它相对 ESPCN 那一类回归模型的优势，在于把「超分」这个目标拆成了可解耦的频域子任务。

3.1 小波变换为什么适合图像超分

图像超分本质上是在做信息补全：低分辨率图像丢掉了高频细节，超分模型要做的就是把缺失的高频部分「猜」出来。小波变换恰好提供了一种天然的频域分解视角。一张图像经过一层二维离散小波变换后，得到四个子带：LL 低频近似、LH 水平高频、HL 垂直高频、HH 对角高频。其中 LL 子带相当于原图的一次 1/2 尺度缩略，而三个高频子带分别保存了水平、垂直、对角方向的边缘和纹理信息。

这个性质直接引出了一种简洁有效的超分思路：把 HR 图像做小波分解，让网络去学习「从 LR 预测高频小波系数」。LU-MWCNN 正是这么干的。训练时输入 LR 图像，网络输出重建后的四个小波子带，最后通过逆小波变换合成完整 HR 结果。相比直接端到端回归像素，模型的高频分支只要专心补纹理，低频分支负责整体结构和亮度，任务分离让收敛更稳定，细节也更锐利。

我建议在做这个小波模块时直接手动实现 Haar 小波，避免引入额外依赖。Haar 小波本质上就是相邻像素的求和与差分，完全可以用 torch 的 reshape 操作完成：

import torch def dwt_haar(x): """2D Haar 离散小波变换，一次分解输出 LL, LH, HL, HH 四个子带 参数: x: [B, C, H, W] 图像张量，H/W 需为偶数 返回: ll, lh, hl, hh: 各 [B, C, H/2, W/2] """ b, c, h, w = x.shape x = x.reshape(b, c, h // 2, 2, w // 2, 2) x = x.permute(0, 1, 3, 5, 2, 4).contiguous() ll = (x[:, :, 0, 0] + x[:, :, 0, 1] + x[:, :, 1, 0] + x[:, :, 1, 1]) / 2 lh = (x[:, :, 0, 0] - x[:, :, 0, 1] + x[:, :, 1, 0] - x[:, :, 1, 1]) / 2 hl = (x[:, :, 0, 0] + x[:, :, 0, 1] - x[:, :, 1, 0] - x[:, :, 1, 1]) / 2 hh = (x[:, :, 0, 0] - x[:, :, 0, 1] - x[:, :, 1, 0] + x[:, :, 1, 1]) / 2 return ll, lh, hl, hh

逻辑说明：Haar 变换是固定线性变换，没有可学习参数，所以才能用纯张量操作实现。ll是 2×2 邻域的均值，对应低频；lh是上下差分，对应水平边缘高频；hl是左右差分，对应垂直边缘；hh是对角差分。训练阶段要对 HR 真值做同样分解生成监督信号，运行时再把四个预测子带逆变换回图像。需要注意h/w必须为偶数，否则 reshape 会报错，医学切片通常都是 512×512 这类尺寸，问题不大。

3.2 U-Net 骨架与多任务输出设计

LU-MWCNN 的骨干网络选择了 U-Net。U-Net 的编码器逐层下采样提取语义特征，解码器逐步恢复空间分辨率，关键是编码器每层都有跳连接把细节特征直接拼到解码器对应层，高频信息不会在逐层传递中被丢掉。对超分这种既要全局结构、又要局部纹理的任务来说，U-Net 比单纯的卷积堆叠要合适得多。

整个网络有三个前向分支：一个在最低分辨率层做全局特征编码，一个逐层上采样恢复空间细节，最后一个在输出层同时引出四个预测头。我复现时写的是单输入四输出的结构：

import torch.nn as nn class UnetBranch(nn.Module): """LU-MWCNN 的小波子带预测头： 输入共享编码特征，输出对应一个小波子带的重建结果 """ def __init__(self, in_channels, out_channels): super().__init__() self.conv1 = nn.Conv2d(in_channels, 64, 3, padding=1) self.conv2 = nn.Conv2d(64, 64, 3, padding=1) self.out = nn.Conv2d(64, out_channels, 3, padding=1) def forward(self, x): x = nn.functional.relu(self.conv1(x)) x = nn.functional.relu(self.conv2(x)) return self.out(x)

逻辑说明：每个子带分支从共享的 U-Net 解码特征里各自提取信息，out_channels对小波子带来说都是 1，也就是单通道系数图。共享编码器 + 独立子带分支的组合，就是多任务学习在结构上的体现。参数上in_channels是 U-Net 最末层输出通道数，实践中取 64 或 128 都行。四个子带分支的网络权重互不共享，这样低频分支和高频分支可以各自适配不同尺度的梯度分布。

3.3 感知损失与两阶段训练策略

感知损失是这套模型训练的关键。它是用一个预训练 VGG16 网络作特征提取器，把模型输出和真值 HR 图分别过一遍 VGG 的几个中间层（常用 relu1_2、relu2_2、relu3_3），在特征空间计算 L2 距离。这个损失的优势在于：逐像素 L2 往往把结果磨得过度平滑，而感知损失逼迫输出在「特征分布」上接近真值，纹理结构保留得明显更好。

这里有一个实现上的细节：VGG 的输入是三通道 RGB，而我们的训练数据是小波子带或单通道灰度图。我一般会在输入感知损失之前，把单通道图复制成三通道再送进 VGG，或者在第一层卷积前加一个 1×1 的通道投影层做适配。第二种方式更干净，也允许感知网络继续在 ImageNet 预训练权重的基础上微调。

训练策略上我采用了两阶段方案，比从头到尾用同一组损失权重稳定得多：

# 伪代码：两阶段损失调度 for epoch in range(total_epochs): for lr, hr in loader: pred_ll, pred_lh, pred_hl, pred_hh = model(lr) tgt_ll, tgt_lh, tgt_hl, tgt_hh = dwt_haar(hr) # 第一阶段：只做子带回归 loss = l1(pred_ll, tgt_ll) \ + 0.5 * charbonnier(pred_lh, tgt_lh) \ + 0.5 * charbonnier(pred_hl, tgt_hl) \ + 0.6 * charbonnier(pred_hh, tgt_hh) # 第二阶段：加入窗口化后的感知损失 if epoch > warmup_epochs: pred_img = idwt_haar(pred_ll, pred_lh, pred_hl, pred_hh) loss += 0.05 * perceptual_loss(pred_img, hr) optimizer.zero_grad() loss.backward() optimizer.step()

逻辑说明：第一阶段的四个子带损失让模型先学会基本的系数回归，warmup_epochs我通常设在总 epoch 数的三分之一。第二阶段再用一个小权重把感知损失接进来，0.05这个系数是多次实验调出来的，太大高频伪影会变多，太小感知对齐效果又不明显。perceptual_loss每次调用都要对两个输入跑一遍 VGG 前向，训练速度会慢 30% 左右，所以只在后半段启用。

多任务损失的权重分配同样有讲究。低频子带的数值尺度远大于高频子带，如果四个分支等权相加，梯度会被低频主导，高频细节学不干净。我给高频分支设了稍低的权重，让网络在保证整体结构的同时有能力去修边缘。这个数值在不同数据集上需要微调，我一般在验证集上先跑 20 个 epoch，对比各个分支的 loss 量级再定初始权重。

4. 医学图像专项：CT-LPIPS 感知指标的训练逻辑

自然图像部分解决的是「模型能不能重建出好看的图」，医学图像部分要回答的是「重建出来的图医生能不能看清病灶」。这两个目标经常不兼容。项目在 DeepLesion 上做实验时，引入了一个专门针对 CT 的感知指标 CT-LPIPS，用来衡量超分结果在视觉感知层面是否真的接近原始高分辨率切片。

4.1 医学图像超分的特殊约束：单通道、HU 值域与诊断级细节

医学图像超分和自然图像超分有三处显着差异。第一，CT 是单通道成像，没有自然的 RGB 三通道信息，很多为自然图像设计的预训练特征提取器直接迁移会失效。第二，CT 像素值是有物理意义的 HU 值，不只是视觉亮度，不同组织有固定的 HU 区间，网络如果把它当作普通灰度回归，容易破坏密度关系的对比度。第三，医学诊断关注的是微小结构，比如肺结节的毛刺、血管的走形，这些结构在图像上往往只占几个像素，传统 PSNR 根本无法反映它们是否被准确重建。

这也是为什么项目要在 PSNR/SSIM 之外单独训练一个 CT-LPIPS。LPIPS 的原理是用一个深度网络提取图像特征，在特征空间计算感知距离，特征空间的相似度更接近人眼的判断。但直接用计算摄影领域预训练好的 LPIPS 模型来评估 CT，又会出现特征错位：它在自然图像上学到的「边缘」和「纹理」，跟 CT 里的解剖结构并不是同一个概念。于是项目用 DeepLesion 数据重新训练了一个类 VGG 网络作为 CT 特征提取器。

4.2 类 VGG 网络与 CT-LPIPS 的训练流程

CT-LPIPS 的网络骨架是类 VGG 结构——一组连续卷积加 ReLU 堆叠，每隔两层做一次最大池化，最后把多层特征拼起来算距离。训练方式不是分类，而是学习一个感知距离度量：构造「参考 patch、失真 patch」对，让网络学习它们之间的感知距离应该怎么打分。

数据的构造方式是从 DeepLesion 的高分辨率 CT 切片里裁剪 patch，用几组不同强度的下采样和压缩扰动生成失真版本，每对 patch 有一个预设的失真等级作为监督信号。类 VGG 网络的任务是提取特征后计算两个 patch 的特征距离，并让这个距离和失真等级尽量对齐。用到的距离函数就是简单的加权 L2：

import torch.nn as nn class CTLPIPS(nn.Module): """类 VGG 结构的 CT 感知特征提取器""" def __init__(self): super().__init__() # 简化版 VGG：5 个卷积阶段 + 3 个池化 self.layers = nn.ModuleList([ nn.Sequential(nn.Conv2d(1, 16, 3, padding=1), nn.ReLU(), nn.Conv2d(16, 16, 3, padding=1), nn.ReLU()), nn.Sequential(nn.Conv2d(16, 32, 3, padding=1), nn.ReLU(), nn.Conv2d(32, 32, 3, padding=1), nn.ReLU()), nn.Sequential(nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.Conv2d(64, 64, 3, padding=1), nn.ReLU()), ]) self.pool = nn.MaxPool2d(2) def forward(self, x): feats = [] for layer in self.layers: x = layer(x) feats.append(x) x = self.pool(x) return feats def ctlpips_score(feat_pred, feat_ref): """加权多层特征 L2 距离""" weights = [0.2, 0.4, 0.4] total = 0.0 for fp, fr, w in zip(feat_pred, feat_ref, weights): total += w * abs(fp - fr).mean() return total

逻辑说明：网络输入单通道 CT patch，输出三层特征图，每层特征分别捕捉不同尺度的结构信息。ctlpips_score对三层特征的距离做加权求和，权重偏向中后层，因为深层特征更多编码语义结构，对诊断更相关。forward里每个阶段都保留池化前的特征，避免下采样把微小病灶的信息丢掉。

训练时真正被回传梯度的对象是超分模型，CT-LPIPS 在训练完成后固定权重只作评测用。评测流程是：把超分结果和原始高分辨率切片分别过一遍 CT-LPIPS，算出感知距离分数，分数越低代表重建结果越「感知接近」原始切片。这个指标在我的实验中能明显拉开 LU-MWCNN 和 ESPCN 的差距，而 PSNR 上两者差距反而很小。

4.3 结果对比：从逐像素指标到诊断价值的解释

在 DeepLesion 的 Key_slices 上用 4 倍超分做实验，几个模型的 PSNR 排名基本符合自然图像实验的规律：EDSR 和 LU-MWCNN 排在最前面，ESPCN 和 DWSR 靠后。但更有说服力的是 CT-LPIPS 分数的变化。LU-MWCNN 在 CT-LPIPS 上领先 ESPCN 的幅度比 PSNR 上领先的幅度大得多，这很直接地说明了小波多任务结构在保留医学结构细节上的优势。

这里我想强调一点：CT-LPIPS 分数低并不自动等于「医生觉得好看」，但它至少解决了过去无法量化评估感知质量的问题。以前全靠肉眼抽查几张图，主观性太强。现在有了 CT-LPIPS，可以在验证集上自动化排序，再挑选排名最高和最低的样本给医生做盲评，效率高很多。这个思路后来被我搬到了另一个图像质量评估项目里，依然管用。

5. 避坑指南：从模型训练到 Web 部署的踩坑记录

这个项目跨度比较大，既有训练又有 Web 服务，踩坑记录也横跨了好几个环节。我把最典型的几个整理出来，每条都是真实遇到过的，照着排查能省很多时间。

5.1 CT 图像训练 Loss 下降但 PSNR 不升

现象：训练曲线很正常，loss 稳步走低，但每 5 个 epoch 在验证集上算出来的 PSNR 一直卡在同一个数值附近，甚至轻微下降。

原因：这是窗口化做完之后没有做像素归一化导致的。CT 图像经过窗宽窗位映射后虽然落在 0~255 区间，但分布极不均匀，大量像素挤在某个子区间。模型在拟合损失时被大量低信息量像素主导，高频结构一直学不到位，PSNR 自然上不去。

解决：在窗口化之后加一步全局归一化，把像素分布拉伸到 0~1，并缓存归一化用的 min/max 值，推理时用同一组参数还原。顺手把窗宽窗位随机采样的数据增强打开，模型对不同对比度的鲁棒性会明显改善。血泪经验：归一化参数一定要在训练和推理之间保持完全一致，否则部署阶段效果会突然退化。

5.2 小波子带分辨率不匹配导致无法训练

现象：dwt_haar之后 LL 子带的空间尺寸减半，但在 U-Net 里跳连接要拼接编码器和解码器的特征图，尺寸对不上直接报 RuntimeError。

原因：U-Net 的下采样次数和小波分解的层级不是一回事。小波分解做一次就把空间减半，而 U-Net 内部还有自己的池化层。两个模块叠加之后，特征图对齐关系被打乱，手动管理尺寸非常容易出错。

解决：把 DWT 放在 U-Net 的外部单独处理，U-Net 只负责从 LL 子带重建低频和从 LR 图预测高频系数，不在 U-Net 内部再做小波分解。这样每个模块的输入输出尺寸都是可控的。如果确实需要在编码器内部做多次小波变换，就每次 DWT 之后立即记录对应的 shape，跳连接拼接前强制用 F.interpolate 对齐。

5.3 显存溢出：EDSR 在 DIV2K 上训不起来

现象：加载 EDSR 模型后 batch size 设 16，输入 96×96 的 HR patch，反向传播直接 OOM。

原因：EDSR 的通道宽度动辄 256，特征图数量大，梯度回传时中间变量极占显存。DIV2K 这种高分辨率数据集又会放大显存压力。

解决：把输入 patch 缩到 64×64，batch size 降到 8，同时开启梯度累积，每 4 个 step 做一次 optimizer.step，等效 batch 仍然是 32。如果用的 PyTorch，还可以在反向传播前用torch.cuda.amp.autocast()做混合精度训练，显存占用直接砍半。这个配置保持了实验效果的同时让单卡 2080Ti 也能跑完整个训练。

5.4 前端 DICOM 预览全黑

现象：网页里用 Cornerstone.js 加载 DICOM 文件，渲染出来的图像全黑，完全看不到任何解剖结构。

原因：CT 的 DICOM 像素数据是 16 位有符号值，范围可能上下几万，但浏览器的 Canvas 渲染按 8 位处理。直接把原始值塞进去，大部分像素落在显示范围之外，自然是黑屏。

解决：给 Cornerstone.js 配置正确的窗宽窗位参数，初始化渲染管线时调用cornerstone.setWindowLevel(element, windowWidth, windowCenter)。更稳妥的做法是后端解析 DICOM 时直接把 16 位像素按预设窗宽窗位转成 8 位 Uint8Array 再传给前端，避免前端处理复杂的数据转换。

5.5 Flask 推理接口响应超时

现象：后端用 Flask 起开发服务器，模型第一次推理耗时要 2~3 秒，多个医生同时点击上传切片，后端的请求直接排队，表现是页面一直转圈，部分请求 504 超时。

原因：Flask 自带的开发服务器是单进程、同步处理模型。PyTorch 推理本身占 GPU，请求排队后每个请求都要等前面的推理结束，响应时间线性叠加。

解决：部署时不要用 Flask 内置服务，改 gunicorn 起多 worker，每个 worker 独立加载一份模型副本。模型加载放在模块最外层只做一次，不放在请求处理器里。推理函数里用torch.no_grad()包裹，并关闭model.eval()，避免推理过程残留梯度图占显存。遇到并发压力更大的场景，我会把推理请求写入 Redis 队列，用独立进程消费，前端轮询获取结果，彻底避开同步阻塞问题。

6. 二次开发思路：把超分服务接进自己的影像工作流

如果你对这个项目动刀的出发点不是复现，而是想把它变成自己影像系统里的一个功能模块，我的建议是先把模型的输入输出接口定死，再去动内部结构。目前最自然的拆法是：后端暴露一个 POST /super-resolve 接口，接收 DICOM 文件路径或像素数组，返回超分完成后的图像数据；前端负责 DICOM 解析、预览和结果展示。这一步做稳了，后面换模型、加队列都不伤筋动骨。

模型替换是最容易的一个改造点：把 LU-MWCNN 换成 SRGAN 或者 ESRGAN，只要保证输入是低分辨率单通道灰度图、输出是 4 倍放大后的单通道图，训练和推理代码都不用改。我建议在测试阶段保留两条可切换的模型加载路径，一条轻量 DWSR 做快速预览，一条完整 LU-MWCNN 做精细诊断，给前端提供分辨率/速度两档选项。

前端侧值得做的是分屏对比视图。把低分辨率切片和高分辨率重建结果并排渲染，用 Cornerstone.js 的同步工具保持两边的窗宽窗位一致，医生就能滑动比较病灶边界的清晰度变化。这个功能实现成本很低，但在实际使用中价值最高，也是我这次最想推荐加的功能。

验证环节不要只盯着 PSNR。我的习惯是：每次模型迭代后跑同一批 CT-LPIPS 分数，分数有提升的版本才进入下一轮筛选，再用 2~3 个典型病例做人工盲评。医学影像的改动决定影响的是诊断结论，宁可多验一轮也不要凭感觉上线。从那以后我每次交付医学图像相关的项目，都强制走一遍「LPIPS 分数 + 盲评样本」的流程，省掉了不少后续返工。希望帮到你。

本文还有配套的精品资源，点击获取