Die herkömmliche visuelle Mamba-Methode (VIM) wandelt ein zweidimensionales Raumbild direkt in eine eindimensionale Ebene um. Obwohl diese Methode langfristige Abhängigkeiten erfassen kann, zerstört sie gleichzeitig die lokale räumliche Struktur benachbarter Pixel in der ursprünglichen zweidimensionalen Ebene, wodurch lokale Details nicht erfasst werden können. Daher wird in diesem Artikel ein leichtgewichtiges allumfassendes Zustandsraum-Superauflösungsmodell (PMambaIR) eingeführt, und die Residual-Allumfassende-Raumgruppe wird als Kernbaustein vorgeschlagen. Die Residual-Allumfassende-Raumgruppe umfasst hauptsächlich zwei innovative Module. Konkret führen wir zunächst eine neue kaskadierende Scanstrategie ein, die die Interaktion zwischen lokalen Informationen, informationsübergreifenden Skalen und globalen Informationen fördert und gleichzeitig die globalen Abhängigkeiten beibehält, um so eine allumfassende Merkmalserfassung zu erreichen. Zweitens wird ein hybrider Zustandsraumbaukasten vorgeschlagen, der Pixelinformationen gleichzeitig in den räumlichen und Kanal-Dimensionen modelliert, um die Auswirkung irrelevanter Merkmale auf das Modell zu begrenzen und somit potenzielle Korrelationen zwischen Kanal- und Raumglobalinformationen zu erschließen. Im Vergleich zu anderen Methoden auf Benchmark-Datensätzen wie Set14 und Urban100 zeigen die Ergebnisse, dass das PSNR von PMambaIR durchschnittlich um 0,11 dB höher ist. Objektive quantitative und qualitative Analysen bestätigen höhere PSNR- und SSIM-Werte. Subjektive experimentelle Bilder demonstrieren, dass diese Methode reiche Details und visuelle Effekte bietet.

Bild-Superauflösung; Zustandsraummodell; leichtgewichtiges Modell; kaskadierende Scanstrategie