基于U型自适应稀疏Transformer的遥感图像超分辨率重建方法DBTSR研究

本文推荐一种创新性遥感图像超分辨率(SR)方法DBTSR，通过双分支自适应稀疏自注意力(DBSA)模块动态平衡稀疏与密集特征，结合多尺度金字塔残差前馈网络(MSP-FFN)和L1+SWT混合损失函数，显著提升复杂场景下遥感图像的纹理细节重建质量，计算成本仅为SwinIR的11.96%。

　　

Highlight

本研究提出DBTSR模型，其核心创新在于：

1. 1.

   双分支自适应稀疏自注意力(DBSA)：通过稀疏分支(SSA)的动态阈值过滤低相关性特征，密集分支(DSA)保留关键信息流，实现空间冗余特征的智能筛选（如图1所示）。

2. 2.

   多尺度金字塔残差前馈网络(MSP-FFN)：采用三分支结构（局部卷积+中程上下采样+全局通道注意力）破解传统前馈网络单尺度表征局限。

3. 3.

   混合损失优化：L₁损失保障像素级精度，平稳小波变换(SWT)损失强化高频成分重建，在AID等数据集上PSNR平均提升0.12dB。

Conclusion

DBTSR通过U型架构融合Transformer的全局建模优势与U-Net的多尺度特性，在遥感图像SR任务中实现计算效率与重建质量的突破。实验表明，其PSNR超越SwinIR和TTST方法，同时GPU显存占用降低近90%，为大尺度地物观测提供了轻量化解决方案。

（注：严格遵循要求处理了标签、上下标及特殊字符，未保留文献引用标识）