轻量级图像超分辨率的大坐标核注意力网络

多尺度感受野和大核注意力（LKA）模块已被证明显著提高了轻量级图像超分辨率任务的性能。然而，现有的轻量级超分辨率（SR）方法很少关注设计用于局部建模的高效多尺度感受野结构，且其 LKA 模块随卷积核大小的增加而面临计算和内存占用的二次增长。为解决第一个问题，我们提出了多尺度蓝图可分离卷积（MBSConv）作为具有多尺度感受野的高效构建模块，它可以 focus on 对学习多尺度信息，这是判别表示的关键组成部分。对于第二个问题，我们重新审视了 LKA 的关键属性，发现局部信息与长程依赖关系的相邻直接相互作用对提供卓越性能至关重要。因此，考虑到这一点，为缓解 LKA 的复杂度，我们提出了大坐标核注意力（LCKA）模块，将深度可分离卷积层的 2D 卷积核分解为水平和垂直 1D 卷积核。LCKA 实现了局部信息与长程依赖关系不仅在水平方向，也在垂直方向上的相邻直接相互作用。此外，LCKA 允许在深度可分离卷积层中直接使用极大的卷积核来捕获更丰富的上下文信息，这有助于显著提高重建性能，同时具有较低的计算复杂度和内存占用。将 MBSConv 和 LCKA 集成，我们提出了大坐标核注意力网络（LCAN）。