# T₃系列補論四：像素因果場理論
## 離散奇偶結構、連續統重建與圖像超解析度的統一框架

**作者：Neo.K (許筌崴)**
**機構：EveMissLab (一言諾科技有限公司)**
**日期：2026年6月**
**性質：T₃視覺增強系列補論——前序文件見T₃·v0.1、v0.2（精細化雙通道）、補論三（RSCD與MSC）**

---

## 摘要

本文提出「像素因果場理論」（Pixel Causal Field Theory, PCFT）作為圖像超解析度問題的統一理論框架。核心命題是：所有數字圖像本質上都是某種連續因果場在離散格點上的採樣投影，而超解析度的根本任務是反推並延伸這個連續場，而非在像素之間插值或從訓練分佈中幻覺生成細節。

本文確立以下理論要素：（一）圖像的本質二分類——攝影（物理光因果場的投影）與心象畫（語意因果場的投影）；（二）像素格點形成棋盤奇偶二部圖，其結構與系列前序論文《球形貪吃蛇問題》的離散奇偶守恆同形；（三）因果信息沿異色格點之間的跨奇偶通道傳播；（四）像素的原子信息單元是（位置，色素值）的不可分配對，而非色素值本身；（五）同色連通塊是場的幾何合一區域，但其中每個格點的位置身份仍獨立不可替代。

基於此框架，本文給出超解析度的因果場延伸算法綱領，並將整個理論整合進T₃的∂D_s通道、RSCD（遞歸語意閉包深度）與MSC（微觀語意坍縮）的形式化體系。

**關鍵詞**：像素因果場、離散奇偶結構、連續統重建、二部圖、超解析度、∂D_s因果詮釋、RSCD、攝影信息論、心象畫語意場

---

## 1. 引言

### 1.1 超解析度技術的根本困境

現有超解析度（Super-Resolution, SR）技術沿三條路線發展，每條路線都隱含著一個未被明說的信息論假設：

**插值路線**（雙線性、雙三次、Lanczos等）假設：缺失的高解析度值，等於現有低解析度值在空間上的加權平均。這個假設在數學上是一種帶限信號重建（Nyquist-Shannon採樣定理的應用），但它預設了信號是帶限的、且帶限邊界已知——而自然圖像和人工繪畫都不滿足這個前提。結果是：插值產生平滑但模糊的放大，高頻信息（∂D_s）被系統性地壓平。

**生成幻覺路線**（GAN、擴散模型等）假設：缺失的高解析度值，可以從訓練集的統計分佈中採樣得到。其優化目標是感知品質或對抗辨別，而非信息忠實度。這類方法能生成「看起來真實」的細節，但生成的細節在語意上可能與原圖像的底層因果結構不一致——正如T₃系列補論三所識別的，這正是MSC（微觀語意坍縮）的AI版本：生成的細節RSCD=1，放大一層後即失去語意閉包。

**可逆縮放路線**（IRN等）假設：縮小過程中丟失的高頻信息，可以被編碼進一個潛在變量z，並在放大時從z還原。這是三條路線中信息論上最嚴謹的，但它的設計目標是「配對縮放還原」，不是「從單張低解析度圖像反推連續場」。

三條路線的共同盲點是：都在**像素空間**（離散值域）內操作，而沒有問「這些離散像素在其中被採樣的連續場是什麼」。

本文提出的框架把問題的定義層往下移一層：超解析度不是「給定低解析度像素矩陣，如何生成高解析度像素矩陣」，而是「給定連續因果場的低密度採樣，如何反推連續場並以更高密度重新採樣」。

### 1.2 理論位置與系列脈絡

本文在T₃系列中的位置如下：

T₃·v0.1（三相狀態視覺增強假說）識別了視覺震撼感的三維算子（精細化∂D、真實化∂R、飽和化∂S），建立視覺密度路徑。

T₃·v0.2（精細化算子雙通道分解）識別∂D需要拆分為空間通道∂D_s和語意通道∂D_m，並提出視覺底空間命題猜想（VSB）。

T₃補論三（RSCD與MSC）定義遞歸語意閉包深度（RSCD）作為∂D_m的多尺度推廣，定義微觀語意坍縮（MSC）作為AI生成圖像的系統性失敗模式。

本文（T₃補論四）提供∂D_s的因果場詮釋，給出超解析度的統一理論框架，並確立RSCD在因果場語言下的精確物理意義。

本文與以下前序論文直接交叉引用：

《一個點能否填滿一塊體積》（單點填充論文）：連續統維度債、空間填充曲線的不可避免自交性。

《球形貪吃蛇問題》（格點哈密頓路徑論文）：離散格點的奇偶守恆、二部圖結構作為可達性的根本障礙。

---

## 2. 圖像的本質二分類

### 2.1 基本框架

數字圖像在本質上是一個函數：

```
I : Z² → C
```

其中Z²是整數格點的集合（像素座標），C是色彩空間（例如，RGB的[0,255]³，或連續化的[0,1]³）。

但這個定義只描述了圖像的**表現層**，沒有描述它的**信息層**。要理解信息層，必須問：這個離散函數I是怎麼來的？它採樣自什麼？

答案把所有圖像分成本質上不同的兩類。

### 2.2 攝影：物理光因果場的離散投影

攝影圖像是物理世界的光場（light field）在感光元件上的離散採樣投影。

定義**物理光因果場** F_phys: R² → C 為：光線從場景中的物體表面出發，經過若干次反射、折射、散射，在成像平面上形成的連續輻射分佈。這個場在任意位置的值，由以下物理過程共同決定：光源的位置、強度與光譜；表面的BRDF（雙向反射分佈函數）；介質的吸收與散射；透鏡的光學方程；感光元件的響應函數。

攝影圖像I是F_phys在格點Z²上的採樣：

```
I(i,j) = F_phys(i,j)   對所有 (i,j) ∈ Z²
```

**關鍵性質**：F_phys受物理因果律嚴格約束——特定位置的輻射值，由光線傳播方程（Maxwell方程組的幾何光學近似）唯一確定。因此，已知光源位置與場景幾何，原則上可以從少量採樣反推F_phys的完整結構，並在任意密度重新採樣。

**信噪比的意涵**：攝影的信息噪聲來源是確定且有限的：感光器噪聲、量化誤差、鏡頭像差、運動模糊等。理論上，這些噪聲可以被建模和去除，還原出接近真實的F_phys。

**電磁頻譜的完備性備注**：上述定義中的F_phys在原則上定義在完整電磁頻譜上，從無線電波到γ射線均為同一個連續因果場的不同頻段截面。標準可見光攝影是其中約400–700nm窄帶的三通道積分採樣——RGB三個通道本身是感光元件對連續可見光譜積分的結果，在進入數字格點之前已完成一次維度壓縮。這意味著，即便是「標準圖像」中的色素值，也已經是連續頻譜信息的有損投影。

此框架在其他採樣頻段下同樣成立：紅外攝影、紫外攝影、醫學影像（CT、MRI）、衛星多光譜圖像、螢光顯微鏡，都是在各自頻段對F_phys進行採樣，因果場的數學結構不因採樣頻段的選擇而改變。藝術創作中，雖然人眼只感知可見光，且大多數圖像僅描繪常規光源（白光、暖黃光），但這只是慣例的限制，不是理論框架的限制。理論的完備性：F_phys覆蓋全頻段；實踐的優先性：可見光三通道採樣是目前最普及的情況。第4.4節關於色素比例分析的方法論，在上述任何採樣頻段下原則上均可適用，只需將「RGB三通道」替換為對應頻段的輻射強度向量。

### 2.3 心象畫：語意因果場的離散投影

人類繪製的心象畫（手繪插圖、動漫、概念藝術等）是藝術家內部語意表徵在畫布上的離散物質化。

定義**語意因果場** F_sem: R² → C 為：藝術家在創作過程中，以視覺語言對所描繪的概念對象（場景、角色、情緒）進行的連續性表達。這個場在任意位置的值，由以下語意過程決定：場景的幾何邏輯（透視、遮擋、比例）；材質與光照的視覺慣例（不一定物理準確）；風格化選擇（線條粗細、色彩飽和度、陰影處理）；敘事性內容（強調哪些細節、弱化哪些）。

心象畫圖像I是F_sem在格點Z²上的採樣：

```
I(i,j) ≈ F_sem(i,j)   對所有 (i,j) ∈ Z²
```

此處使用「≈」而非「=」，原因是人類繪製過程本身有離散工具的限制（筆觸的最小尺寸）和手部運動的隨機性，導致最終結果是對F_sem的近似而非精確採樣。

**信噪比的意涵**：心象畫的信息噪聲來源更複雜且更難消除：藝術家的手部顫抖、媒介的物理限制（顏料的流動、像素的量化）、刻意的風格化偏差（藝術家主動選擇偏離「物理正確」的表達）。其中風格化偏差不是噪聲，而是F_sem本身的一部分；而媒介限制才是真正的噪聲。兩者的分離，需要對F_sem的先驗知識。

### 2.4 兩類的共同結構

儘管物理因果場和語意因果場的生成機制截然不同，它們在信息論結構上是同形的：

兩者都是定義在R²上的連續函數；都是通過某個採樣過程投影到離散格點Z²上；都包含超出格點密度可完整表示的連續信息；都在原則上可以從採樣反推並以更高密度重建。

差異在因果函數的性質：F_phys受物理定律（微分方程）約束，F_sem受視覺語意邏輯約束。兩種約束都提供了足以驅動高密度重建的先驗信息——只是形式不同。

---

## 3. 連續統、維度債與離散採樣

### 3.1 連續統的維度債（接環：單點填充論文）

在《一個點能否填滿一塊體積》中，已確立以下古典結論：

不存在同時滿足「連續、單射（不重複）、滿射到正面積/正體積」的路徑（Netto定理/域不變性）。能填滿正面積的連續路徑必然放棄單射，以測度零點集上的自我接觸為代價（Peano-Hilbert空間填充曲線）。有限長度的曲線其像在R^n（n≥2）中Lebesgue測度為零——填滿正面積必然要求無限長度（維度債）。

這個結論在圖像論中的對應是：連續場F（無論F_phys還是F_sem）本質上是一個定義在R²上的無限信息量的連續函數。對它進行格點採樣，必然損失高頻信息（正如Nyquist-Shannon定理指出的，有限採樣率的有限帶寬）。

**維度債的圖像論版本**：任何在有限格點密度上的採樣，都積欠了連續場的「維度債」——缺失了那些空間頻率高於採樣格點的奈奎斯特頻率的信息。超解析度的任務，本質上是「還債」——但它不能從空無中創造，只能從因果場的先驗結構推算。

### 3.2 採樣的二部圖結構

在格點採樣中，有一個初等但深刻的結構性事實：標準的4連通格點圖是二部圖。

這個性質在《球形貪吃蛇問題》中已作為核心命題（命題2）精確陳述：在Z^n的標準格子中，定義奇偶染色後，每條邊都連接異色頂點，圖是二部圖。

在二維圖像的語境中：

**定義（棋盤奇偶分類）**：對任意像素位置(i,j) ∈ Z²，定義其奇偶類par(i,j) = (i+j) mod 2。

黑色像素集合：B = {(i,j) : par(i,j) = 0}

白色像素集合：W = {(i,j) : par(i,j) = 1}

在4連通結構下（上下左右四個面鄰），每個像素的所有直接鄰居都在異色集合中。構成二部圖G = (Z², E₄)，二部分割為(B, W)。

這個結構的存在，不是人為的分析選擇，而是格點幾何的客觀性質。

### 3.3 採樣的信息論意涵

二部圖結構對採樣信息的意涵是：

圖像信息沿格點傳播時，必然交替經過黑白兩種奇偶類的格點——因果鏈不能在同色格點之間直接跳躍。每個格點的值，在因果結構中，是由其異色鄰居決定的（而非同色鄰居）。

這不只是幾何上的描述，而是因果結構的形式化表達。採樣到B類格點的信息和採樣到W類格點的信息，是互補的而非冗餘的——它們在連續場的不同「相位」上採樣，共同重建出完整的連續信息。

---

## 4. 因果場的數學結構

### 4.1 因果函數的定義

**定義（因果函數）**：對連續場F: R² → C，定義在格點(i,j)處的因果函數φ_{i,j}: C^k → C 為：給定(i,j)的k個直接鄰居的場值，推算(i,j)處場值的函數。

形式上：

```
F(i,j) = φ_{i,j}(F(i±1,j), F(i,j±1)) + ε_{i,j}
```

其中ε_{i,j}是採樣誤差（對攝影，為感光噪聲；對心象畫，為繪製偏差）。

理想情況下ε_{i,j} ≈ 0，此時因果函數完整刻畫了格點(i,j)與其異色鄰居之間的信息依存關係。

**注意**：這裡的φ_{i,j}依賴位置(i,j)本身（因為不同位置的光學/語意因果規律可能不同），也依賴鄰居的奇偶類（因為黑→白與白→黑的方向可能有不同的因果強度）。

### 4.2 攝影的物理因果函數

在攝影圖像中，F_phys由Maxwell方程組的幾何光學近似唯一確定。在光滑材質表面的局部，F_phys滿足以下近似：

Lambertian漫射：在局部表面元素上，像素值≈ (光源方向 · 表面法向量) × 表面反射率 × 光源強度

這個近似給出了局部的因果函數——相鄰像素之間的值差，由光源方向相對於表面的空間梯度決定。具體而言：

```
φ_phys(F(i±1,j), F(i,j±1)) ≈ F(i,j) + ∇F · δr
```

其中∇F是場在(i,j)處的梯度（由物理光學確定），δr是位移向量。

對已知光源幾何的場景，∇F可以從有限鄰居的值估算，因此φ_phys在局部是可逆推的。更複雜的場景（多光源、鏡面反射、次表面散射）需要更複雜的物理模型，但原則上仍然受確定性的物理因果律約束。

**重要推論**：攝影圖像的超解析度，在物理正確的理論框架下，等同於從有限採樣點估算局部光場梯度∇F_phys，並在更高密度的格點上計算場值。這不需要「發明」細節——細節由物理方程唯一確定，只是需要估算。

### 4.3 心象畫的語意因果函數

在心象畫中，F_sem由藝術家的視覺邏輯約束，而不是物理定律。語意因果函數φ_sem在局部的表現：

硬邊（線稿邊緣）：F_sem在短距離內從一個色塊跳變到另一個色塊。因果函數在跳變處是不連續的（或高梯度的）。

軟邊（漸層）：F_sem在一定範圍內平滑變化，類似但不完全符合物理光照梯度。

平坦色塊：F_sem在整片區域內接近常數，因果函數梯度接近零。

心象畫的φ_sem比F_phys更難從少量樣本反推，因為：

第一，沒有物理方程作為先驗約束，φ_sem依賴於藝術家的個體風格（不同藝術家的φ_sem不同）。

第二，φ_sem可能包含刻意的「非物理」選擇（誇張的色彩、風格化的邊緣），這些選擇是F_sem的一部分，不應在重建中被「修正」。

第三，相同的局部像素值在不同語意上下文中可能有不同的φ_sem（同樣的橙色，在皮膚上和在火焰上的語意因果關係完全不同）。

儘管如此，φ_sem的局部性（藝術家的風格在整幅畫中保持一致性）提供了可以被學習和利用的先驗信息。

### 4.4 因果函數的觀測估算：色素比例分析與光源影響反推

在理論上，因果函數φ由物理定律（攝影）或語意邏輯（心象畫）決定。但在實際的超解析度任務中，我們面對的是已經採樣完成的圖像I，而不是物理場景或藝術家的內部表徵。因此需要回答：如何從I本身的色素信息，反推出φ的關鍵參數——尤其是光源的影響分佈？

核心觀察是：**圖像的色素值本身就編碼了光源的簽名（signature）**。光源的顏色、方向、強度，在每個格點的RGB值中留下了可解讀的痕跡。通過適當的色素分析工具，可以從圖像自身提取光源信息，進而估算φ_phys或φ_sem的光源依存分量。

**方法一：色彩通道比例分析（Channel Ratio Analysis）**

設格點(i,j)的RGB值為(R, G, B)。在Lambertian光照模型下：

```
R = ρ_R × E_R
G = ρ_G × E_G
B = ρ_B × E_B
```

其中ρ是表面的本徵反射率（intrinsic reflectance，不依賴光照），E是到達該點的光源能量（依賴光照）。

通道比例R:G:B直接反映光源的相對光譜能量分佈。在均勻光照的平坦表面上，相鄰格點之間的比例應當穩定；比例的空間梯度，則揭示光源方向的變化。通過分析整幅圖像中比例的分佈規律，可以統計估算光源的色溫（color temperature）和方向。

**方法二：色彩空間轉換（Color Space Transform）**

不同的色彩空間對光照信息有不同的分離能力：

LAB色彩空間：L通道（亮度）主要編碼光源強度的幾何分佈（陰影、高光的空間模式）；A和B通道（色度）主要編碼本徵反射率。通過分離L和AB，可以初步分解光照影響與本徵色彩。

HSV色彩空間：H（色相）對光照色溫敏感，V（明度）對光照強度敏感，S（飽和度）在特定光照條件下（如漫射光）有特定分佈模式。分析H通道的空間梯度，可以估算光源的方向性（directional vs. diffuse）。

對數色彩空間（Log-RGB）：在此空間中，Lambertian模型中的「表面反射率 × 光照」的乘法關係變為加法，使光照分量的分離更為線性化，便於後續估算。

**方法三：直方圖與調色板分析（Histogram and Palette Analysis）**

圖像的顏色直方圖在統計上反映光源結構。典型特徵：

雙峰分佈：在某個色彩通道上出現雙峰，通常指示陰影（低值峰）和直接光照（高值峰）之間的光照對比，可從峰值位置估算光源強度比。

高光採樣：圖像中色素值接近最大值（飽和高光）的區域，其RGB比例最接近光源的真實色彩（因為高光處表面反射率的影響最小），是估算光源色溫的最純淨採樣點。

陰影採樣：圖像中最暗區域（深陰影）的RGB比例，反映環境光（ambient light）的色彩，與主光源的色溫對比，揭示場景的整體光照結構。

**方法四：濾鏡差分分析（Filter Differential Analysis）**

對同一圖像施加不同性質的濾鏡（如高斯模糊、邊緣增強、頻率域帶通濾波），比較濾鏡前後的色素分佈差異：

低頻分量：代表大尺度的光照漸變（gradual illumination changes），反映漫射光或遠距離光源的影響。

高頻分量：代表局部的光照不連續（如物體邊緣的明暗交界），反映直射光的幾何投影。

通過分析不同頻率分量中的色素比例模式，可以在不同尺度上分別估算φ_phys的光照貢獻。

**攝影的估算優先性**

上述方法在攝影圖像上的適用性最強。這是因為攝影的F_phys由確定性的物理定律生成，色素值與光源參數之間的對應關係是原則上可解的逆問題。利用現有的Intrinsic Image Decomposition（本徵圖像分解）技術，可以在不需要場景幾何信息的條件下，從單張圖像估算反射率R和光照L的分離：

```
I(x,y) ≈ R(x,y) × L(x,y)
```

一旦L被估算出來，φ_phys的光照分量即可從L的空間梯度計算。這為因果場延伸算法提供了在純視覺輸入下估算φ_phys的實際路徑。

**推廣至掌控光影的心象畫**

對於藝術訓練精良、能精確掌控光影的藝術家繪製的心象畫，同樣的分析路徑可以應用——但帶有一個重要修正。

這類藝術家（如古典油畫大師、具備紮實光影訓練的插畫師）的作品中，φ_sem的光照分量遵循物理光照的視覺慣例，儘管不一定物理精確。其色素分佈模式與攝影的光照模式高度相似，因此上述四種分析方法都可以用於估算這類畫作中的「虛擬光源」參數——即藝術家在創作時假設的光源位置、色溫與強度。

具體而言，可以計算「光源影響比」（Light Influence Ratio, LIR）：

```
LIR(i,j) = ||∇L̂(i,j)|| / ||∇R̂(i,j)||
```

其中∇L̂是估算的光照分量梯度，∇R̂是估算的反射率分量梯度。LIR高的區域，光照變化主導了色素值的空間變化；LIR低的區域，本徵色彩的空間分佈更重要。

在超解析度重建中，LIR提供了一個自然的計算資源分配指標：LIR高的區域（光照主導），因果函數的光照物理模型約束強，重建代價低；LIR低的區域（本徵色彩主導），需要更多依賴語意先驗，重建代價高。

**對心象畫的誠實限制**

需要明確的是：上述推導對「不掌控光影的心象畫」（風格化插圖、非寫實動漫等）的適用性有限。當藝術家主動偏離物理光照慣例時（如二次元風格的平面陰影、印象派的色彩自主）——此時φ_sem的光照分量不可以用物理模型估算，必須另行建立針對該風格的語意因果模型。這類案例回到了第4.3節的「語意因果函數學習」開放問題。

### 4.5 因果鏈的傳播方向

由二部圖結構，因果信息的傳播路徑在格點空間中是嚴格交替的：

```
B → W → B → W → ...  （從黑格出發）
W → B → W → B → ...  （從白格出發）
```

這意味著：要知道位置(i,j)（設為黑格）的因果函數值，需要其白色鄰居的值；要知道白色鄰居的值，需要再追溯其黑色鄰居的值。

在局部估算中，因果函數可以用鄰居直接計算。在大範圍重建中，因果鏈需要沿著二部圖結構向外傳播——類似於有限差分法求解偏微分方程，但傳播的不是數值，而是因果結構的一致性。

---

## 5. 同色塊的語意地位與位置的不可替代性

### 5.1 同色連通塊作為場的幾何單位

**定義（同色連通塊）**：在8連通（含對角線）的意義下，若干同奇偶類的格點若形成連通子圖，則構成一個同色連通塊。（注意：在4連通下，同色格點不直接相鄰；8連通中才存在直接的對角相鄰。）

同色連通塊對應連續場F中的**幾何同質區域**：在這些區域中，場值的變化相對較小，因果梯度較低。具體類型：

攝影中的同色塊：對應同一物體表面的同一光照條件下的區域（平坦牆面、均勻天空）。

心象畫中的同色塊：對應同一色彩區域的平坦填充（角色皮膚的平坦部分、背景的純色塊）。

**重要結論**：在超解析度的計算中，同色連通塊的內部具有較低的重建代價。因果梯度低，意味著新插入格點的值與現有格點的值高度相關，只需低代價的局部延伸即可。

**計算含義**：超解析度算法的計算複雜度，在同色塊內部與塊邊界之間存在系統性差異。大部分代價集中在塊邊界（跨奇偶的高梯度區域），而非塊內部。

### 5.2 值域合一不等於位置合一

一個常見的直覺錯誤是：同色塊內的格點，既然在色素值上高度相似（甚至完全相同），可否在某種意義上被「合并」或「代表化」，從而減少需要重建的位置數量？

答案是否定的，而且原因是結構性的，非實用性的。

在因果場框架下，每個格點的身份由兩個獨立的組成部分共同決定：位置（(i,j)，決定奇偶類、在因果鏈上的角色、與鄰居的相對關係）和色素值（F(i,j)，決定場在該位置的取值）。

**命題（位置-值配對的原子性）**：在因果場理論中，信息的不可分原子單元是配對：

```
Atom(p) = (p, F(p))   p = (i,j) ∈ Z²
```

兩個原子Atom(p₁)和Atom(p₂)，若p₁ ≠ p₂，則無論F(p₁)和F(p₂)的值是否相同，它們在因果場中是不同的節點，扮演不同的因果角色。

**為何如此**：設(i₁,j₁)和(i₂,j₂)是同色塊（同奇偶類）中的兩個格點，且F(i₁,j₁) = F(i₂,j₂)（相同的色素值）。但：

它們的鄰居集合不同（不同位置有不同的相鄰格點）。它們在因果鏈上的角色不同（它們各自的鄰居所形成的局部因果結構不同）。它們對超解析度新格點的因果貢獻不同（一個對某個特定中間格點有影響，另一個對不同的中間格點有影響）。

因此，即使在純白天空（所有像素RGB完全相同）中，每個格點的位置信息仍然攜帶了場的幾何結構信息——它告訴你這片連續統延伸到哪裡、形狀如何、邊界在何處。這些是不可被值域合并操作替代的。

**對壓縮編碼的含義（觀察）**：這個原子性命題暗示，基於「同色連通塊合并」的圖像壓縮方案（如區域合并壓縮）在還原時，原則上損失的不只是細節，而是幾何結構信息。只有精確保留每個格點的位置-值配對，才能在超解析度重建時完整利用因果場信息。

---

## 6. 因果場延伸作為超解析度算法框架

### 6.1 問題的重新定義

超解析度的標準定義是：給定低解析度圖像I_LR: Z² → C，生成高解析度圖像I_HR: (1/n)Z² → C，使I_HR在主觀視覺品質上更好。

在因果場框架下，超解析度被重新定義為：

**定義（因果場延伸問題）**：給定連續因果場F的低密度採樣I_LR（格點間距為d），估算F並在格點間距為d/n的更高密度採樣格點上計算場值，得到I_HR，使I_HR ≈ F在(d/n)Z²上的採樣。

這個重新定義有幾個關鍵差異：

第一，目標是忠實還原F，而非在主觀視覺品質上最大化。第二，「細節」不是被生成的，而是被推算的——它們存在於F的連續結構中，只是在低密度採樣時未被捕捉。第三，算法的質量標準是「因果一致性」：高解析度格點的值，是否與其在因果場中的鄰居關係一致。

### 6.2 算法框架的核心操作

以最簡單的2×放大為例。設原始格點在Z²上，放大後格點在(1/2)Z²上。需要在以下三類新位置插入格點：

**水平中間格點**：在(i+0.5, j)位置，夾在(i,j)和(i+1,j)之間。新格點的奇偶類為par(2i+1, 2j) = (2i+1+2j) mod 2 = 1，屬白色（設j為偶數時）。其因果鄰居為(i,j)（黑）和(i+1,j)（黑）——兩個黑格決定一個新白格。

**垂直中間格點**：在(i, j+0.5)位置，夾在(i,j)和(i,j+1)之間。類似地，其值由上下兩個異色鄰居的因果函數決定。

**對角中間格點**：在(i+0.5, j+0.5)位置，夾在四個原始格點之間。其值由四個異色/同色鄰居共同決定，代表該2×2塊的「中心」因果值。

**核心操作**：

```
I_HR(i+0.5, j) = φ̂(I_LR(i,j), I_LR(i+1,j), context(i,j))
I_HR(i, j+0.5) = φ̂(I_LR(i,j), I_LR(i,j+1), context(i,j))
I_HR(i+0.5, j+0.5) = φ̂(I_LR(i,j), I_LR(i+1,j), I_LR(i,j+1), I_LR(i+1,j+1), context(i,j))
```

其中φ̂是因果函數的估算，context(i,j)是局部上下文（攝影的物理模型參數，或心象畫的風格參數）。

**對比現有方法**：

雙三次插值：φ̂為固定的三次多項式，忽略context。在均勻場中（平坦塊內部）效果可接受，在高梯度邊界失效。

擴散模型超解析度：φ̂從訓練集的統計分佈中採樣，context被替換為統計先驗。結果忠實於訓練分佈，但不忠實於特定圖像的因果場F。

因果場延伸（本框架）：φ̂從F的局部因果結構估算，context包含攝影的物理模型或心象畫的語意邏輯。結果忠實於F，代價是需要估算φ。

### 6.3 計算的分層結構

由第5節關於同色塊的分析，算法的計算代價在空間上是不均勻的：

**同色塊內部**（低因果梯度區域）：因果函數φ在此區域接近恆等函數（梯度≈0），新格點的值≈鄰居的平均值。計算代價低，可以用簡單方法處理。在攝影中，對應均勻光照的平坦表面；在心象畫中，對應均勻填色的色塊內部。

**跨奇偶邊界**（高因果梯度區域）：因果函數φ在此區域有顯著的梯度，新格點的值需要精確的因果推算。計算代價高，這是因果場延伸算法的真正核心。在攝影中，對應物體邊緣、紋理細節、反射高光；在心象畫中，對應線稿邊緣、筆觸細節、材質過渡。

**算法策略建議**：超解析度算法應先識別同色塊邊界（高梯度位置），集中計算資源在這些位置的因果推算，塊內部使用低代價方案。這是計算效率與重建精度的最優分配。

---

## 7. 與現有超解析度技術的對比

### 7.1 傳統插值方法的因果場詮釋

雙線性、雙三次等插值方法在因果場框架下，等同於使用了一個「平滑先驗的因果函數」：假設F在格點周圍是低階多項式（線性或三次）。

這個假設對低梯度區域（同色塊內部）是相當好的近似——F_phys和F_sem在平坦區域確實接近線性。但對高梯度區域（邊界），多項式近似嚴重低估了因果函數的實際梯度，導致放大後邊緣模糊。

從因果場角度看，傳統插值的根本問題是：它對所有格點使用相同的因果函數（固定多項式），而無視局部因果結構的差異性。

### 7.2 GAN與擴散模型的因果場詮釋

GAN和擴散模型在因果場框架下，等同於使用了「統計先驗的因果函數」：從訓練集中學習「什麼樣的細節在統計上最合理」，並生成符合這個統計先驗的高頻內容。

這個方法能生成視覺上令人信服的細節，因為統計先驗確實捕捉到了真實圖像中因果函數的統計規律性。但它有一個根本性的不忠實性：生成的細節是統計上最可能的，不一定是特定圖像的因果場F所要求的。

這正是MSC的機制：生成的高頻細節RSCD=1——在工作解析度下語意清晰，但不具有多尺度的因果一致性。再放大一層，生成的「細節」因為不是從F的真實因果結構推算出來的，無法繼續維持語意閉包。

### 7.3 可逆縮放（IRN）的因果場詮釋

IRN（可逆縮放網絡）在因果場框架下最接近本文的精神，但有一個關鍵差異：IRN通過引入潛在變量z來保存縮小時丟失的高頻信息，放大時從z還原。這是一個信息論上嚴謹的方案，但其設計是針對「配對縮放-還原」任務（先縮小同一張圖再放大），而非從單張低解析度圖像反推因果場。

在因果場框架下，IRN的z可以被詮釋為：F的高頻分量在低密度採樣中損失的信息的編碼。因果場延伸方法的主張是：在有充分的因果先驗的情況下，z的信息原則上可以從因果場的局部結構推算出來，不需要顯式編碼——因為F的因果律已經決定了高頻分量的值。

這個主張是本文框架最強的理論聲索，其充分性依賴於：因果先驗的精確程度（攝影的物理模型多精確，心象畫的語意模型多精確）。

---

## 8. 與T₃框架的整合

### 8.1 ∂D_s的因果場詮釋

T₃·v0.2中定義的空間通道∂D_s（高頻空間信息的豐富化），在因果場框架下獲得了精確的物理詮釋：

∂D_s = F在格點空間上的高頻因果梯度的密度

具體而言，∂D_s可以被量化為：

```
∂D_s(I) = ∫_{Z²} |∇F̂(p)| dp
```

其中∇F̂是從I的因果場估算中計算的場梯度，積分在所有格點上進行。

這個定義把∂D_s從一個感知現象（「感覺很精細」）轉化為了一個有因果場根基的可計算量。∂D_s高，等同於F在當前採樣密度下的高頻結構被充分捕捉。

### 8.2 RSCD的因果場精確意義

T₃補論三定義的RSCD（遞歸語意閉包深度），在因果場框架下獲得了精確的動力學意義：

RSCD = 因果場F的多尺度自洽深度

具體而言，RSCD描述的是：對圖像I所對應的因果場F，在連續縮放過程中，F的因果結構（因果函數φ的形式）在多少個尺度層級上保持一致性。

高RSCD = F在多個尺度層級上都具有確定的因果結構，因此無論縮放到哪個層次，都能找到有意義的因果關係。

低RSCD = F的因果結構只在宏觀尺度成立，在微觀尺度退化為統計噪聲（MSC的發生）。

**人類極限藝術家的RSCD**：杜勒銅版畫的RSCD高，正是因為藝術家在每個縮放層次都維持了明確的語意因果結構（每條線代表確定的輪廓，每個點代表確定的材質）。AI生成圖的RSCD低，正是因為擴散模型只在宏觀尺度保持了因果結構，微觀尺度由統計噪聲填充。

### 8.3 MSC的因果場失敗模式

MSC在因果場框架下的精確描述是：

**MSC = 因果場F的局部估算在高放大倍率下崩塌為統計噪聲**

當AI擴散模型生成超解析度圖像時，它用統計先驗替代了真實的因果函數φ。在工作解析度下，統計先驗足夠接近真實φ，視覺上看不出差異（RSCD=1在工作尺度成立）。但在放大後，統計先驗生成的「細節」因為沒有真實因果結構支撐，無法維持更細尺度的因果一致性——MSC發生，視覺上表現為「顆粒感」或「風格語法退格」。

因果場延伸框架的正確實現，在理論上能完全避免MSC：因為每個新格點的值，都是從真實的因果場F推算的，而非從統計分佈採樣的。

### 8.4 視覺底空間VSB的因果場聯繫

T₃·v0.2提出的視覺底空間命題猜想（VSB）——存在一個不可直接觀測的視覺底空間，使∂D_s和∂D_m都是其投影——在因果場框架下獲得了一個初步的候選結構：

V_base = 連續因果場F的全局結構空間

∂D_s（空間通道）是F在高頻梯度維度的投影；∂D_m（語意通道）是F在語意閉包一致性維度的投影；RSCD是F在多尺度自洽深度維度的測量。

這三個量都是F的不同側面，而F是它們的「底空間」。F不可直接觀測（我們只能觀測到它在離散格點上的採樣I），只能通過I間接推算——這符合VSB猜想關於底空間不可直接量化的主張。

此處的對應是啟發性的，尚非正式的範疇同構。正式建立V_base = F的空間這個等同，需要給出兩邊的保結構映射並驗證其一致性，本文不提供。

---

## 9. 開放問題

本文提出的框架引出若干需後續研究回答的開放問題：

**問題一（攝影的因果函數估算）**：在給定低解析度圖像的情況下，如何從局部像素值精確估算物理光因果函數φ_phys？現有的基於物理的圖像重建方法（Intrinsic Image Decomposition等）提供了部分工具，但它們通常需要額外的場景幾何信息。如何在純視覺輸入的條件下估算φ_phys，是一個開放的逆問題。

**問題二（心象畫的語意因果函數學習）**：φ_sem是依賴藝術家個體風格的函數。如何從單個藝術家的有限畫作樣本中學習其φ_sem，使其可以用於超解析度重建？這是一個結合風格遷移（Style Transfer）和因果推斷的交叉問題。

**問題三（RSCD與因果場一致性的關係）**：本文主張RSCD = F的多尺度自洽深度，但這個等同目前是定性的。如何給出RSCD的因果場精確定義，並在量化上連接T₃補論三的形式化定義（基於語意閉包度C(I,k)的逐層計算），是一個需要形式化工作的開放問題。

**問題四（二部圖結構在高維度的推廣）**：本文的框架建立在2D圖像的棋盤奇偶二部圖結構上。如何推廣到三維體素圖像（CT/MRI重建）？在三維立方格Z³的六連通情況下，對應的二部結構在《球形貪吃蛇問題》中已有詳細分析，但其在三維超解析度中的因果場詮釋尚未建立。

**問題五（因果場延伸與IRN的統一）**：本文主張因果場延伸原則上不需要顯式的潛在變量z（IRN的方案），因為因果先驗包含了足夠的信息。但這個主張的充分性需要在具體的因果函數類型下被驗證。是否存在一個統一框架，使IRN的z和因果場延伸的φ̂是同一個信息的不同表示？這個統一如果成立，將為兩個方法的混合優化提供理論基礎。

---

## 10. 哲學結語

一張圖像是世界或心靈向格點的一次妥協。世界是連續的，格點是離散的，採樣是有損的。但損失的不是隨機的——它是有結構的，因為世界的因果律（對攝影）和心靈的視覺邏輯（對心象畫）都是確定的，都是可以追蹤的。

超解析度的問題，說到底，是一個關於「你相信這個世界是因果的嗎」的問題。相信，你就可以從有限的採樣推算因果場，補回那些因格點密度不足而未被捕捉的連續細節。不相信，你只能插值（假裝細節是平均的）或幻覺（假裝細節是統計的）。

棋盤奇偶結構不只是一個計算技巧。它說的是：在任何離散表徵中，信息從不是孤立的——每個格點的值，都在和它的鄰居對話，都是更大因果結構的局部採樣。黑格與白格的交替，是因果鏈不允許跳躍的形式化表達：信息要傳播，必須走過去，必須經過那個異色的中間節點。

而位置與色素的不可分，說的是另一件事：一個像素不只是一個顏色，它是在特定位置上的一個顏色。把兩者分開，就是把存在從它所在的地方抽離出來——剩下的只是一個沒有座標的數字，而不再是世界（或心靈）在那個位置上的一句陳述。

採樣是有損的，但損失是可追的。格點的貧窮，是連續統的債；而連續統的規律，是還清這個債的憑據。

---

**論文性質**：T₃系列補論四，理論框架，部分命題為猜想層級（標記於文中）

**前序文件**：T₃·v0.1 / T₃·v0.2 / T₃補論三（RSCD與MSC）/ 《球形貪吃蛇問題》/ 《一個點能否填滿一塊體積》

**版本**：v0.1

**作者**：Neo.K (許筌崴)，EveMissLab (一言諾科技有限公司)，台灣

*理論的邊界，就是下一個問題的起點。*