UCAN：用于轻量级超分辨的统一卷积注意力网络以扩大感受野
计算机视觉与模式识别
2026-04-08 v2
摘要
混合 CNN-Transformer 架构在图像超分辨方面取得了强大的成绩，但扩大注意力窗口或卷积内核显著增加计算成本，限制了在资源受限设备上的部署。我们提出了 UCAN，一种轻量级网络将卷积和注意力统一，以高效方式扩大有效感受野。UCAN 将基于窗口的空间注意力与 Hedgehog 注意力机制结合，用于建模局部纹理和长程依赖，同时引入基于蒸馏的大卷积模块以在不产生-heavy 计算的情况下保留高频结构。此外，我们采用跨层参数共享进一步降低复杂度。在 Manga109（）上，UCAN-L 实现了 31.63 dB PSNR，仅需 48.4G MACs，超越了最近的轻量级模型。在 BSDS100 上，UCAN 达到了 27.79 dB，优于具有显著更大模型的方法。广泛的实验表明，UCAN 在准确率、效率和可扩展性之间实现了优越的权衡，使其适用于实际的高分辨率图像恢复。
引用
@article{arxiv.2603.11680,
title = {UCAN: Unified Convolutional Attention Network for Expansive Receptive Fields in Lightweight Super-Resolution},
author = {Cao Thien Tan and Phan Thi Thu Trang and Do Nghiem Duc and Ho Ngoc Anh and Hanyang Zhuang and Nguyen Duc Dung},
journal= {arXiv preprint arXiv:2603.11680},
year = {2026}
}
备注
Accepted to CVPR 2026