MDTN：基于多尺度密集Transformer网络的单图像超分辨率重建技术及其在医学影像中的应用

《Image and Vision Computing》：MDTN: Multi-scale Dense Transformer Network for single-image super-resolution

本文提出多尺度密集Transformer网络（MDTN），通过创新性结合残差密集Transformer模块（RDTB）、多感受野密集Transformer模块（MDTB）和相关层次特征提取块（RHFEB），有效解决了单图像超分辨率（SISR）任务中层次特征利用不足和长程依赖捕获困难的核心问题。该模型在保持Transformer全局建模优势的同时，通过局部自注意力机制和全卷积网络（CNN）的协同设计，显著提升了医学影像等领域的图像重建质量。

　　

^亮点

^{卷积神经网络在超分辨率领域的应用}

深度学习（DL）彻底改变了计算机视觉任务的性能表现，超越了传统方法。在图像超分辨率（SR）领域涌现了许多突破性模型。SRCNN^[15]模型开创了端到端方法，直接将插值后的低分辨率（LR）图像映射到对应的高分辨率（HR）图像。后续模型如VDSR^[26]、DRCN^[31]、DRRN^[32]和MemNet^[33]试图通过增加网络深度、残差学习、递归块和权重共享技术来提升性能。

^{proposed method}

^{proposed method}

本节将详细阐述我们设计的MDTN模型。如图1所示，这个创新网络架构巧妙融合了层次特征提取块、残差密集Transformer块和前馈网络，就像搭建了一个多尺度的特征提取工厂。

^{experimental results}

^{experimental results}

本小节将通过量化指标和视觉质量对比，像显微镜一样细致展示MDTN在基准数据集上的卓越表现，让您直观感受其在图像细节重建方面的突破性进展。

^conclusion

^conclusion

本文介绍了一种用于单图像超分辨率（SISR）的创新性多尺度密集Transformer网络（MDTN）。我们的MDTN充分发挥了层次特征图的潜力，通过密集连接增强了多尺度学习能力。该网络融合了三个关键组件：残差密集Transformer块（RDTB）、多感受野密集Transformer块（MDTB）和相关层次特征提取块（RHFEB）。其中MDTB通过引入不同感受野的细节信息，就像给网络装上了多焦段镜头，极大地丰富了特征表征能力。