基于扩张特征调制网络的轻量化建筑图像超分辨率重建方法

本研究提出了一种使用扩张上下文特征调制网络（DCFMN）的轻量化建筑图像超分辨率方法。该过程包括获取高分辨率图像，将其下采样为低分辨率，增强低分辨率图像，构建并训练轻量化网络模型，以及生成超分辨率输出。为了解决建筑图像中的规则纹理和长程依赖等挑战，DCFMN 集成了扩张可分离调制单元和局部特征增强模块。前者采用多个等效于大核的扩张卷积来高效聚合多尺度特征，同时利用简单的注意力机制实现自适应性。后者对局部特征进行编码，混合通道信息，并通过重参数化确保在推理期间不产生额外的计算负担。该方法有效解决了现有轻量化超分辨率网络在建模长程依赖方面的局限性，在不增加计算成本的情况下实现了准确高效的全局特征建模，并显著提升了建筑图像超分辨率模型的重建质量与轻量化效率。