Bestehende Methoden zur Ein-Bild-Superauflösungsrekonstruktion basierend auf diffusionsbasierten Wahrscheinlichkeitsmodellen weisen Mängel bei der Extraktion räumlicher Merkmale auf, schöpfen relevante Informationen nicht ausreichend aus und zeigen Redundanzen im Rechenprozess. In diesem Artikel wird eine Methode zur Ein-Bild-Superauflösungsrekonstruktion mit Integration eines multidimensionalen Aufmerksamkeitsnetzwerks entworfen. Zunächst wird basierend auf dem SRDiff-Diffusionsmodell eine multidimensionale Aufmerksamkeit vorgeschlagen, die Kanalaufmerksamkeit, Selbstaufmerksamkeit und räumliche Aufmerksamkeit kombiniert, wodurch die Fähigkeit des Modells zur Erfassung von Merkmalen unterschiedlicher Skalen verbessert wird, sodass bei der Wiederherstellung hochauflösender Bilder mehr Details und eine bessere globale Konsistenz erhalten bleiben. Zweitens wird die partielle Faltung (PConv) eingeführt, um räumliche Merkmale des Bildes präzise zu extrahieren, die Qualität der Superauflösungsergebnisse zu verbessern und den Rechenaufwand deutlich zu reduzieren, was die Effizienz des Modells erhöht. Bei einem Vergrößerungsfaktor von 4 wurde die Methode mit anderen auf 5 Testdatensätzen verglichen. Die Ergebnisse zeigen, dass der PSNR-Wert im Durchschnitt um 0,762 dB und der SSIM-Wert im Vergleich zu anderen Methoden um 0,082 verbessert wurde. Die vorgeschlagene Methode bietet subjektiv feinere Details und bessere visuelle Effekte sowie objektiv höhere PSNR- und SSIM-Werte.

Superauflösung; Diffusionsmodell; multidimensionales Aufmerksamkeitsnetzwerk; partielle Faltung