Bestehende Superauflösungstechniken gehen von einem vordefinierten Abbauprozess von hochauflösenden zu niedrigauflösenden Bildern aus, was bei realen Bildern mit komplexen Abbauarten schwer zutrifft. Um dieses Problem zu adressieren, wird in diesem Papier ein abbauwahrnehmungsbasierter blindes Superauflösungsmodell vorgeschlagen. Das Modell erzeugt niedrigauflösende Bilder mit zufälligen Unschärfekernen und verwendet kontrastives Lernen zur Abbaurepräsentation. Der Modellgenerator besteht aus Residualgruppen mit mehreren Abbau-Wahrnehmungsblöcken. Abbau-Wahrnehmungsblöcke berechnen mittels Kreuz-Attention zwischen Abbaurepräsentation und Bildmerkmalen räumliche Gewichtskarten. Darüber hinaus sammelt das Modell hierarchische Merkmale aus den Residualgruppen-Ausgaben und berechnet schichtübergreifende Aufmerksamkeit zur Wiederverwendung hierarchischer Merkmale, wodurch das Modell sich stärker auf hochfrequente Details konzentriert und die Merkmalsextraktionsfähigkeit weiter verbessert wird. Die Effektivität der einzelnen Module wurde durch Ablationsstudien bestätigt. In mehreren internationalen offenen Testsets beträgt die durchschnittliche PSNR-Steigerung bei einem Vergrößerungsfaktor von 4 1,45 dB, die SSIM-Steigerung 0,058. Experimentelle Ergebnisse zeigen, dass das Modell in der blindem Superauflösungsaufgabe eine signifikante Leistung erzielt und gute visuelle Effekte aufweist.

Superauflösung;blindes Superauflösung;Kreuz-Attention;räumliche Aufmerksamkeit;Merkmalswiederverwendung