基于纹理感知形变的轻量化任意尺度超分辨率重建方法及其在医学影像中的应用

本文针对单图像超分辨率（SISR）中固定尺度方法的局限性，创新性地提出纹理感知形变上采样模块（TADUM）与尺度感知图像优化模块（SAIRM）。通过动态自适应滤波器和多尺度特征引导机制，有效解决了任意尺度（包括非整数尺度）重建中的纹理退化问题，在保持轻量化特性的同时显著提升跨尺度重建质量，为医学影像（如CT/MRI超分辨率）和移动健康应用提供了高效解决方案。

　　

Highlight

本研究提出了一种创新的轻量化任意尺度超分辨率（ASISR）框架，通过两个核心模块突破传统限制：纹理感知形变上采样模块（TADUM）采用位置与尺度感知信息融合技术，生成动态自适应滤波器，精准捕捉跨尺度纹理形变规律；尺度感知图像优化模块（SAIRM）通过多尺度特征引导机制和动态细节增强策略，有效维持视觉一致性。实验证明该方法在非整数尺度重建中表现卓越，同时兼容标准整数尺度任务。

Introduction

单图像超分辨率（SISR）作为经典图像处理技术，旨在从低分辨率（LR）图像重建高分辨率（HR）输出，其病态性本质要求有效恢复高频细节。虽然卷积神经网络（CNN）在监督学习、半监督/无监督学习及物理启发学习范式取得显著进展，并在医学影像（如CT/MRI）、遥感成像和人脸识别领域成功应用，但主流方法仍受限于固定尺度设计。现有ASISR方法面临三大挑战：1）跨尺度纹理退化特征建模不足；2）动态滤波器与特征表示对齐优化不充分；3）重型网络导致边缘设备部署困难。

Proposed Method

我们构建的轻量化ASISR框架包含两大模块：TADUM通过融合纹理形变特性扩展传统位置编码，使动态滤波器能适应不同尺度因子的纹理变化；SAIRM通过特征缩放和偏移策略显式嵌入尺度信息，有效适应多样化退化模式。以FDDRU为基础网络，该设计显著提升重建精度与计算效率的平衡。

Experiments

实验采用标准数据集与评估指标（PSNR/SSIM），与先进ASISR方法（如Meta-SR、LIIF、ArbSR）及轻量化固定尺度方法（IDN、ELAN）对比。结果表明我们的方法在×2-×4尺度重建中保持竞争优势，在非整数尺度（如×3.5）上PSNR提升达0.15-0.28dB，参数量仅1.2M，显著优于22.6M参数的RDN基线。

Conclusion

本研究提出的轻量化ASISR框架通过TADUM和SAIRM模块，有效解决任意尺度重建中的纹理对齐与细节增强问题。该方法在保持模型紧凑性的同时实现跨尺度高质量重建，为医学影像分析、移动健康监测等资源受限场景提供实用解决方案。未来工作将探索三维医学影像扩展与实时部署优化。