渐进式信息整合的轻量级图像超分辨率研究：基于局部-稀疏-三维空间特征提取的创新方法

《Engineering Applications of Artificial Intelligence》：Progressive information integration in lightweight image super-resolution

本文提出了一种创新的渐进式信息整合（PII）模块，通过局部卷积块、重叠窗口注意力块和混合注意力块（HAB），分别从密集区域、稀疏区域和三维（3D）空间提取特征，有效解决了轻量级图像超分辨率（SR）中多操作聚合架构缺失和SR知识引导不足的问题。实验表明，PII-SR模型仅用652K参数即在Urban100×4数据集上达到26.81 dB的优异性能，为移动端部署提供了高效解决方案。

　　

Section snippets

CNN-based super-resolution

近年来，深度学习方法在图像超分辨率（SR）任务中取得显著进展。早期基于卷积神经网络（CNN）的SR方法（如SRCNN）展现了深度学习潜力，但浅层架构限制了感受野和细节恢复。后续研究通过残差连接设计更深架构（如EDSR、RCAN），显著提升性能，但参数量的增加制约了轻量化部署。

Architecture overview

如图3所示，PII-SR网络包含浅层特征提取、深层特征提取和图像重建三部分。给定低分辨率（LR）输入图像 I^LR∈R^H×W×3，首先通过3×3卷积层提取浅层特征 F_s，映射至潜在空间。深层特征提取阶段采用堆叠的PII模块，逐步融合局部细节与全局上下文信息，最终通过亚像素卷积重建高分辨率（HR）图像。

Datasets and evaluations

训练使用DIV2K数据集，测试集包含Set5、Set14、BSD100、Urban100和Manga109。另采用IXI和BraTS医学影像数据集验证泛化能力。评价指标为峰值信噪比（PSNR）和结构相似性（SSIM），消融实验证实PII模块各组件均能有效提升重建质量。

Discussion

PII模块具备即插即用特性，可适配多领域应用。例如在医学图像超分辨率中，仅需调整浅层提取器以适应医学影像色彩空间，即可直接迁移。其轻量级特性使之成为多任务基础模块，尤其在计算资源受限的医疗边缘设备中潜力显著。

Conclusion

本研究提出的PII-SR框架，通过渐进式整合局部、窗口和三维空间特征，实现了参数效率与性能的平衡。定量与定性实验均表明，该模型在轻量级SR任务中超越现有最优方法，为医疗影像增强、移动端实时处理等场景提供了新思路。