用于轻量级图像超分辨率的语义引导全局-局部协作网络

单图像超分辨率（SISR）在提高测量系统的准确性和可靠性方面发挥着关键作用，而测量系统是各种基于视觉的仪器与测量应用不可或缺的组成部分。这些系统通常需要清晰详细的图像以进行精确的物体检测和识别。然而，视觉测量工具捕获的图像经常遭受退化，包括模糊和细节丢失，这可能会妨碍测量精度。作为一种潜在的解决方案，我们在本文中提出了一种用于轻量级 SISR 的语义引导全局-局部协作网络（SGGLC-Net）。我们的 SGGLC-Net 利用从预训练模型中提取的语义先验来指导超分辨率过程，有效提升图像细节质量。具体而言，我们提出了一个语义引导模块，将语义先验无缝集成到超分辨率网络中，使网络能够更熟练地捕捉和利用语义先验，从而增强图像细节。为了进一步探索局部和非局部交互以改善细节渲染，我们提出了一个全局-局部协作模块，该模块包含三个全局与局部细节增强模块，以及一个混合注意力机制，共同高效地学习更多有用特征。我们的大量实验表明，SGGLC-Net 在多个基准数据集上取得了有竞争力的 PSNR 和 SSIM 值，与最先进的轻量级超分辨率方法相比，在多加法运算减少 12.81G 的情况下展现出更高的性能。这些改进突显了我们的方法在提高视觉测量系统精度和有效性方面的潜力。代码位于 https://github.com/fanamber831/SGGLC-Net。