基于可变形非局部注意力与多分支加权特征融合的图像超分辨率重建技术

（编辑推荐）本文创新性地提出可变形非局部注意力模块（D-NL），结合多尺度通道注意力（MS-CAM）与多分支加权特征融合（MWFF）单元，通过自适应采样捕捉跨尺度自相似性特征，显著提升单图像超分辨率（SISR）重建精度。实验证明该框架在PSNR/SSIM指标上优于现有方法，为复杂纹理重建提供新思路。

　　

Highlight

自相似性在图像超分辨率中的应用

自然图像普遍存在跨尺度自相似性，即小图像块会在同一图像的不同尺度中重复出现[5,6]。基于此特性，研究者开发了无需外部数据的重建方法。Glasner等[5]首次提出整合示例与多图像超分辨率的统一框架。

循环框架

如图1所示，该框架采用自相似性残差块（SERB）循环结构。每次迭代中，融合特征图H_i直接作为隐藏状态，输出单元L_i通过两层卷积神经网络（CNN）生成。系统从低分辨率图像I_LR提取初始特征L₀，经深度处理...

数据集与评估指标

采用DIV2K数据集800张高清图像训练，在Set5、Set14等5个基准数据集测试。量化评估使用YCbCr色彩空间的亮度（Y）通道，以峰值信噪比（PSNR）和结构相似性指数（SSIM）为标准指标。

结论

本研究开创性地通过自适应采样揭示图像内长程自相似性，结合SERB块的多尺度通道注意力（MS-CAM），在保持全局结构的同时增强局部细节。最终提出的多分支加权融合（MWFF）机制...