HSNet：用于单张图像超分辨率的异构子图网络
计算机视觉与模式识别
2025-10-09 v1 人工智能
摘要
现有的深度学习方法用于图像超分辨率，尤其是基于 CNN 和注意力机制的方法，常常 suffer from 结构灵活性不足。尽管图基方法提供了更大的表示适应性，但常常因计算复杂度过高而受限。为克服这些限制，本文提出了异构子图网络（HSNet），一种新型框架，有效利用图建模同时保持计算可行性。HSNet 的核心思想是将全局图分解为可管理的子组件。首先，我们引入构构性子图集合模块（CSSB），生成一组多样化的互补子图。Rather than relying on a single monolithic graph, CSSB captures heterogeneous characteristics of the image by modeling different relational patterns and feature interactions, producing a rich ensemble of both local and global graph structures. 随后，子图聚合模块（SAB）整合这些子图上嵌入的表示。通过对多图特征的自适应加权和融合，SAB 构建一个全面且判别性强的表示，捕捉复杂的相互依赖关系。此外，设计了节点抽样策略（NSS），用于选择保留最突出的特征，从而在提高准确性的同时降低计算开销。广泛的实验表明，HSNet 实现了最先进的性能，有效平衡了重构质量和计算效率。代码将公开发布。
引用
@article{arxiv.2510.06564,
title = {HSNet: Heterogeneous Subgraph Network for Single Image Super-resolution},
author = {Qiongyang Hu and Wenyang Liu and Wenbin Zou and Yuejiao Su and Lap-Pui Chau and Yi Wang},
journal= {arXiv preprint arXiv:2510.06564},
year = {2025}
}