基于双路径的轻量级单图像超分辨率网络

当前单图像超分辨率（SISR）深度学习算法主要有两类模型：一种基于卷积神经网络，另一种基于 Transformer。前者通过设计不同卷积核大小的卷积层堆叠来构建模型，能够更好地提取图像的局部特征；后者采用注意力机制设计模型，能够通过注意力机制在图像像素之间建立长程依赖，从而更好地提取图像的全局特征。然而，上述两种方法都面临各自的问题。基于此，本文提出一种新的轻量级多尺度特征融合网络模型，基于双向互补的卷积和 Transformer，采用两分支网络架构将 Transformer 和卷积神经网络的特征进行整合，以实现全局信息与局部信息的相互融合。同时，考虑到深度神经网络训练的低像素图像会导致信息部分丢失，本文设计了一种多阶段特征补充的模块化连接方法，将模型浅层提取的特征图与深层提取的特征图进行融合，以尽可能最小化有助于图像恢复的信息损失，从而促进获得更高质量的恢复图像。最终的实用结果表明，与其他相同参数量的轻量级模型相比，本文提出的模型在图像恢复性能方面表现最优。