基于通道分区窗口注意力与频率学习的单张图像超分辨率
计算机视觉与模式识别
2024-08-28 v2
摘要
最近的窗口注意力方法在计算机视觉任务中显示出巨大的潜力，特别是在单张图像超分辨率 (SISR) 中。然而，这可能会不足以捕获远距离标记之间的长程依赖关系和关系。此外，我们发现在空间域上学习并不传递图像的频率内容，而这在 SISR 中是一个关键方面。为解决这些问题，我们提出了一种新的通道分区注意力转换器 (CPAT)，通过依次沿着特征图的高度和宽度扩展窗口来更好地捕获长程依赖关系。此外，我们提出了一种新型的空间-频率交互模块 (SFIM)，该模块整合了空间和频率域信息，以提供更全面的特征图信息。这包括关于频率内容的信息，并跨越整个图像增强了感受野。实验结果表明，我们提出的模块和体系结构有效。特别是，CPAT 在 Urban100 上进行 x2 SR 测试时超过了当前最先进的方法，提升了最高 0.31dB。
引用
@article{arxiv.2407.16232,
title = {Channel-Partitioned Windowed Attention And Frequency Learning for Single Image Super-Resolution},
author = {Dinh Phu Tran and Dao Duy Hung and Daeyoung Kim},
journal= {arXiv preprint arXiv:2407.16232},
year = {2024}
}
备注
Camera ready version, BMVC 2024