基于频率感知的双路径人脸超分辨率网络 FADPNet

受计算资源有限的限制，人脸超分辨率 (FSR) 仍然具有挑战性。现有方法常将所有面部像素等对待，导致资源分配次优且性能下降。CNN 对高频面部特征（如轮廓和轮廓）敏感，而 Mamba 在捕捉低频属性（如面部颜色和纹理）方面更具优势且复杂度低于 Transformer。基于此，我们提出 FADPNet，这是一种 Frequency-Aware Dual-Path Network，通过将面部特征分解为低频和高频成分进行专门处理。低频分支采用基于 Mamba 的低频增强模块 (LFEB)，集成状态空间注意力与 squeeze-and-excitation，以恢复全局相互作用并强调信息丰富的通道。高频分支使用基于 CNN 的深度位置感知注意力模块 (DPA) 来细化结构细节，随后采用轻量级高频细化模块 (HFR) 进行进一步的频率特定细化。这些设计使 FADPNet 能够在 FSR 质量和效率之间取得强大平衡，超越现有方法。