通过级联非本地平均网络和双通道多分支融合的单图像超分辨率
1School of Computer and Control Engineering, Yantai University, Yantai 264005, China.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
这项研究引入了一种新的混合CNN-变压器模型,用于图像超分辨率 (SR). 这种新方法显著提高了高分辨率 (HR) 图像重建的准确性,超过了对基准数据集的现有技术.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 图像超分辨率 (SR) 从低分辨率 (LR) 输入中重建高分辨率 (HR) 图像,这对于医学成像,监控和遥感至关重要.
- 现有的SR方法面临着诸如过度平滑,有限的概括,无法捕获远程依赖 (CNN) 或计算强度和纹理损失 (变压器) 等挑战.
研究的目的:
- 开发一种先进的混合CNN-变压器架构,以实现更高的图像超分辨率.
- 为了解决当前SR方法的局限性,提高准确性和纹理重建.
主要方法:
- 提出了一种混合CNN-变压器架构,结合了像素智能自我注意力非本地介质模块 (PSNLM) 和自适应式双路径多尺度融合块 (ADMFB).
- 在有限的搜索区域内,PSNLM使用加权补丁估计像素相似性,其灵感来自非本地介质 (NLM) 算法.
- ADMFB使用双重注意力路径进行自适应的多尺度特征聚合,以改善纹理重建.
主要成果:
- 拟议的方法在多个SR基准指标上显示出卓越的性能.
- 在BSD100数据集上实现了0.0201的结构相似度指数 (SSIM),高于×4 SR的第二最佳方法.
- 在Urban100数据集上达到26.56dB的峰值信号噪声比 (PSNR) 和0.8133 SSIM.
结论:
- 混合CNN-变压器架构有效地克服了以前SR方法的局限性.
- 新的PSNLM和ADMFB模块有助于提高超高分辨率图像的精度和纹理保真度.
- 拟议的方法为图像超分辨率任务设定了一个新的最先进的状态.
