基于区间密集连接策略的Swin Transformer低质量图像分辨率增强处理
计算机视觉与模式识别
2026-02-06 v2
摘要
与基于卷积神经网络（CNNs）的方法相比，基于Transformer的方法在图像超分辨率上展现出卓越性能。然而，使用如SwinIR（基于Swin Transformer的图像复原）的自注意力机制从图像中提取特征信息需要大量计算资源，这限制了其在低算力平台上的应用。为提升模型特征复用，本研究提出区间密集连接策略，依据新设计的算法连接不同模块。我们将该策略应用于SwinIR并提出新模型，命名为SwinOIR（基于Swin Transformer的目标图像复原）。在图像超分辨率方面，进行了消融研究以证明区间密集连接策略对模型性能的积极作用。此外，我们在多个流行基准数据集上评估我们的模型，并与其他当前最佳（SOTA）轻量模型比较。例如，SwinOIR在Urban100数据集上x4放大图像超分辨率取得26.62 dB的PSNR，比SOTA模型SwinIR高0.15 dB。在实际应用中，本工作将最新版You Only Look Once（YOLOv8）模型与所提模型用于低质量图像上的目标检测与现实图像超分辨率。实现代码公开于 https://github.com/Rubbbbbbbbby/SwinOIR。
引用
@article{arxiv.2303.09190,
title = {Resolution Enhancement Processing on Low Quality Images Using Swin Transformer Based on Interval Dense Connection Strategy},
author = {Rui-Yang Ju and Chih-Chia Chen and Jen-Shiun Chiang and Yu-Shian Lin and Wei-Han Chen and Chun-Tse Chien},
journal= {arXiv preprint arXiv:2303.09190},
year = {2026}
}