Rede Recurrente Guiada por Aproximação Multi-escala para Super-resolução de Imagem Única

A super-resolução de imagem única (SISR) é um tópico essencial em aplicativos de visão computacional. No entanto, a maioria das abordagens de SISR baseadas em CNN aprende diretamente a relação entre imagens de baixa e alta resolução, ignorando a textura contextual e a fidelidade de detalhes para explorar a super-resolução; assim, elas dificultam o poder representacional das CNNs e levam à reconstrução não realista e distorcida das bordas e texturas nas imagens. Neste estudo, propomos um novo mecanismo de preservação de estrutura recorrente com a integração e uso inovador da transformação de wavelet multi-escala, Rede Guiada por Aproximação Multi-escala Recorrente (RMANet), para processar recursivamente as sub-redes de baixa e alta frequência em cada nível separadamente. Ao contrário da transformação de wavelet tradicional, propomos uma nova arquitetura de Preservação do Nível de Aproximação (ALP) para importar e aprender as sub-redes de baixa frequência em cada nível. Através da fusão do nível de aproximação proposto (ALF) e da transformação inversa de wavelet, ricas estruturas de imagem de baixa frequência em cada nível podem ser restauradas recursivamente e amplamente preservadas com a combinação de ALP em cada nível. Além disso, um novo mecanismo de aprimoramento de detalhes de baixa para alta frequência (DE) também é proposto para resolver o problema da distorção de detalhes em redes de alta frequência, transmitindo informações de baixa frequência para a rede de alta frequência. Por fim, uma função de perda conjunta é usada para equilibrar informações de baixa e alta frequência com diferentes graus de fusão. Além da restauração correta, os detalhes da imagem são ainda mais aprimorados ajustando diferentes hiperparâmetros durante o treinamento. Comparado com as abordagens de estado da arte, os resultados experimentais em conjuntos de dados sintéticos e reais demonstram que o RMANet proposto alcança melhor desempenho na apresentação visual, especialmente nas bordas da imagem e detalhes de textura.