Angesichts der hohen Rechenkosten bestehender Bild-Super-Resolution-Algorithmen, der begrenzten Wahrnehmung lokaler hochfrequenter Texturen und der unzureichenden Extraktion wichtiger Informationen schlägt diese Arbeit ein leichtgewichtiges Bild-Super-Resolution-Rekonstruktionsnetzwerk auf Basis einer Hochfrequenz-Fusionsaufmerksamkeit vor. Zunächst wurde in der Netzwerkstruktur ein Zwei-Wege-Verstärkungsmodul entworfen, das Merkmale explizit in zwei parallele Zweige für Hoch- und Niederfrequenz entkoppelt. Der Niederfrequenzzweig dient zur Erfassung glatter Strukturen, während der Hochfrequenzzweig einen lernbaren Hochpassfilter verwendet, der mit dem Laplace-Operator initialisiert wurde, um Kanten und Texturen präzise zu extrahieren. Zweitens wurde ein räumliches Verfeinerungsmodul vorgeschlagen, das richtungsgetrennte Faltungen verwendet, um lokale Merkmale zu verstärken und Abfragen (Query) mit reichhaltigen räumlichen Informationen auszugeben. Schließlich wurde ein effizienter asymmetrischer frequenzbewusster Aufmerksamkeitsmechanismus entwickelt, um eine effektive Interaktion zwischen lokalen und globalen Informationen zu erreichen. Dieser Mechanismus verwendet die lokale Information aus dem Ausgang des räumlichen Verfeinerungsmoduls als Abfrage und ruft dynamisch komplementäre Informationen im globalen Maßstab ab, wodurch die Einschränkungen lokaler Fenster bei Langzeitabhängigkeiten effektiv gelöst werden. Experimente auf dem Urban100-Datensatz zeigen, dass der Algorithmus im Vergleich zu anderen Modellen bei einer Vergrößerung von ×4 eine durchschnittliche PSNR-Steigerung von 0,53 dB und eine durchschnittliche SSIM-Steigerung von 0,0147 erzielt, bei einer Laufzeit von nur 14 % der von SwinIR. In Bezug auf die visuelle Qualität der Bildrekonstruktion kann das Modell schärfere Kanten und realistischere Texturen erzeugen, was die Effektivität und Fortschrittlichkeit des Modells im Bildrekonstruktionsprozess bei gleichzeitiger Gewichtsreduzierung vollständig bestätigt.

Bildverarbeitung; Super-Resolution-Rekonstruktion; Aufmerksamkeitsmechanismus; Merkmalsfusion; leichtgewichtig