在 K3 Pico-ITX（RISC-V 架构）上跑图片超分 Demo，目标是实现"模糊→清晰"的肉眼可见效果。试了 4 个模型，总结一下踩过的坑和结论。
测试环境
• 平台：SpacemiT K3 Pico-ITX
• 系统：Bianbu 4.0.1 + Python 3.14
• 推理框架：ONNX Runtime + CPUExecutionProvider
模型测试情况
-
SRCNN 3x
可跑通
• 最轻量的选择，只有 79KB
• 3 倍放大（224→672），推理速度很快
• 效果：边缘有一定锐化，但纹理细节恢复有限，适合做"跑通"演示，视觉冲击力不够 -
ESPCN
可跑通
• 亚像素卷积架构，计算量小
• 效果：和 SRCNN 接近，边缘增强，整体清晰度提升不大 -
SRResNet
有改善但有限
• 16 层残差网络，模型约 5.8MB
• 踩坑：原始 ONNX 里有 173 个 fake inputs 导致 SpaceMIT EP 加载失败，清理后修复
• 效果：清晰度比值从 0.995 提升到 1.145，有改善但不够直观 -
Real-ESRGAN X4v3（SRVGGNetCompact）
不适合
• 4.6MB，1.21M 参数，GAN 训练的轻量版
• 关键发现：这个模型输出的是残差（residual），不是完整图像，需要叠加到 bicubic 放大图上才有效果
• 残差值太小（±0.05 级别），叠加后和 bicubic 几乎没区别
• 还踩了 BGR/RGB 色彩空间的坑，输出变成了灰度/棕褐色
请问是否有适配过的效果比较好的超分模型