转置稀疏自注意力网络

轻量级超分

该网络通过转置稀疏自注意力机制和分段卷积前馈网络，在保持低参数量的同时，增强了高频细节恢复和局部特征获取能力。

Guanhao, Chen · 徐丹 · 贺康建 · Shi, Hongzhen · 张浩

Engineering Applications of Artificial Intelligence 2025

参数信息

PSNR提升

0.11–0.12 dB

PSNR提升

0.01–0.04 dB

PSNR提升

0.01–0.08 dB

技术优势

局部特征关注更强

通过转置稀疏自注意力机制重构自注意力计算，在无需卷积的情况下有效捕捉局部关系，提升局部特征关注能力。

高频细节恢复更优

引入分段卷积前馈网络（SCFFN）增强高频细节恢复和局部特征获取，同时保持低参数数量。

参数量保持低位

通过无卷积的转置稀疏注意力和分段卷积前馈网络设计，在提升性能的同时保持较低的参数量。

多数据集优于现有方法

在Set14、Urban100和Manga109数据集上均优于近期方法，PSNR分别提升0.01–0.04、0.11–0.12和0.01–0.08 dB。

应用场景

• 图像超分辨率：用于将低分辨率图像重建为高分辨率，提升视觉效果。
• 轻量级模型：在保持低参数量的同时实现高性能超分，适合资源受限设备。
• 实时推理：轻量设计有望实现快速推理，满足实时应用需求。