基于多感知大核卷积的轻量级图像超分辨率重建方法（英文）

摘要

在单图像超分辨率的研究领域，卷积神经网络已经取得了显著进展，并在性能上达到了行业领先水平.近期的学术研究加大了对Transformers在单图像超分辨率应用的探索力度，以期进一步提升网络性能.尽管如此，由于Transformers的高计算成本，其在轻量级设备上的应用受到了限制.同时，针对卷积神经网络的轻量级优化多数集中在小空间卷积上，而忽略了大核卷积可能带来的优势.本研究通过深入研究大核卷积，提出了一种新型的多感知大核卷积网络（MPLKN）.该网络设计了一个创新的多感知大核（MPLK）模块，旨在有效提取多尺度特征，并通过分步特征融合策略实现这些特征的平滑整合.为了进一步增强网络处理非线性空间信息的能力，还设计了一个空间通道门控前馈网络（SCGFN），该网络能够灵活地适应空间和通道维度上的特征交互.实验结果表明，MPLKN在保持较少参数和FLOPs消耗的同时，相较于其他轻量的图像超分辨模型展现出了更好的性能表现.

关键词

单图像超分辨率 / 轻量化模型 / 深度学习 / 大核卷积