基于特征层次递进融合的轻量级图像超分辨率网络

作     者：张豪 马冀 袁江 

作者机构：华北电力大学控制与计算机工程学院 

出 版 物：《计算机系统应用》 (Computer Systems & Applications)

年 卷 期：2025年第1期

页      面：118-127页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：图像超分辨率 Transformer 卷积神经网络 层次特征融合 全局特征提取 

摘      要：近年来,随着深度学习技术的发展,卷积神经网络(convolutional neural network, CNN)和Transformer在图像超分辨率(super-resolution, SR)领域取得了显著的进展.但是,对于图像全局特征的提取,过去的方法大多采用的是堆叠单个算子重复计算来逐步扩大感受野的方式.为了更好地利用全局信息,提出了对局部、区域和全局特征进行显式建模.具体来说,通过通道注意增强卷积、基于划分窗口的Transformer和CNN的双分支并行架构、标准的Transformer和划分窗口的Transformer双分支并行架构,以一种层次递进的方式对图像的局部信息、区域与局部信息、全局与区域信息进行提取和融合.此外,设计了一种层次特征融合方式来对CNN分支提取到的局部信息和划分窗口的Transformer提取到的区域信息进行特征融合.大量的实验表明,所提网络在轻量级SR领域实现了更好的结果.例如,在Manga109数据集的4倍放大实验中,该网络的峰值信噪比(PSNR)相较于SwinIR提升了0.51 dB.