轻量化混合神经网络在遥感图像超分辨率重建中的创新应用

为解决深度学习超分辨率网络模型复杂度高、计算资源消耗大的问题，研究人员提出了一种结合轻量卷积神经网络(Ghost模块)与Swin Transformer的混合架构。该研究通过高频滤波多蒸馏块(HFMDB)提取局部高频细节，利用移位窗口自注意力机制捕获全局信息，在降低1.71×105 参数量的同时，峰值信噪比(PSNR)提升0.054 dB，结构相似性(SSIM)提高0.003，为边缘计算等资源受限场景提供高效解决方案。

　　

在卫星遥感、灾害监测等领域，高分辨率图像至关重要，但硬件升级成本高昂。传统基于深度学习的超分辨率重建(SRR)方法如SRCNN、EDSR等虽效果显著，却面临模型参数量大（如Transformer模型超1.15亿参数）、计算复杂度高（8.2×10⁹
乘加操作）的瓶颈，难以部署在卫星等资源受限设备。黑龙江高校联合团队在《Engineering Applications of Artificial Intelligence》发表研究，创新性地融合轻量卷积与Transformer优势，提出兼顾性能与效率的解决方案。

研究采用Ghost模块替代传统3×3卷积，通过低通道卷积与廉价操作两步处理降低参数量；设计高频滤波多蒸馏块(HFMDB)结合平均池化与上采样提取高频细节；引入Swin Transformer层(STL)通过移位窗口自注意力捕获全局特征。实验使用遥感数据集，以L₁
损失函数和Adam优化器（β₁
=0.9，β₂
=0.999）训练，学习率初始为1×10^-3
并采用余弦衰减。

算法设计：网络包含浅层特征提取（Ghost模块）、深层特征提取（HFMDB+STL）、特征融合与上采样四部分。HFMDB通过多级蒸馏逐步细化特征，STL以窗口划分方式计算自注意力，二者协同增强局部细节与全局一致性。

实验结果：相比现有方法，该模型参数量减少1.71×10⁵
，计算量降低8.2×10⁹
，PSNR提升0.054 dB，SSIM提高0.003，学习感知图像块相似性(LPIPS)下降0.029。可视化结果显示重建图像纹理更清晰，尤其在农田、建筑等高频区域。

结论与意义：该研究首次在遥感SRR中实现Ghost模块与Swin Transformer的深度融合，为边缘设备部署提供轻量化方案。高频滤波与全局注意力机制的创新设计，解决了轻量化模型细节丢失的难题，在自动驾驶、灾害监测等领域具有应用潜力。未来可进一步探索动态窗口机制与硬件适配优化。