基于残差特征聚合模块的多尺度特征融合超分辨率重建

为了解决低分辨率图像细节丢失和纹理模糊的问题，本文提出了一种基于残差特征聚合模块(RFA)的超分辨率重建方法。该方法能够有效地融合不同尺度的低分辨率(LR)特征和转换后的纹理特征，从而提高图像重建质量。

残差特征聚合模块(RFA)

RFA模块的核心思想是利用多尺度特征融合和深度特征提取来增强图像细节。如图4所示，RFA模块主要由卷积神经网络(CNNs)和Swin Transformer层(STL)组成。

特征融合: 首先，RFA模块使用一个卷积层来融合LR特征Fl和注意力特征Al，即:

F'l+1 = Conv(Fl ,Al)

其中，Conv代表卷积层。

深度特征提取: 然后，RFA模块使用Swin Transformer和残差连接来提取LR和转换特征的更深层次的特征，即:

F'l+1 = STL(F'l+1) + Fl

其中，STL的详细信息请参考补充材料。

特征提取: 在RFA模块的最后，使用另一个卷积层来提取STL的特征，即:

Fl+1 = Conv(F'l+1)

图像重建: 根据最后一个尺度的聚合特征FL，使用跳跃连接来合成SR图像，即:

XSR = FL + XLR↑

实验结果:

实验结果表明，与现有超分辨率重建方法相比，本文提出的方法能够有效地提高图像重建质量，特别是在细节恢复和纹理重建方面。同时，该方法还具有较高的计算效率。

结论:

本文提出的基于残差特征聚合模块的超分辨率重建方法能够有效地融合多尺度特征，并提取深度特征，从而提高图像重建质量。该方法为超分辨率重建提供了一种新的思路，并具有广泛的应用前景。