Os métodos de super-resolução existentes presumem um processo de degradação predefinido de imagens de alta resolução para imagens de baixa resolução, o que é difícil de aplicar a imagens do mundo real com tipos complexos de degradação. Para resolver este problema, este artigo propõe um modelo de super-resolução cega baseado na percepção da degradação. O modelo gera imagens de baixa resolução usando núcleos de desfoque aleatórios e utiliza aprendizado contrastivo para representar a degradação. O gerador do modelo é composto por grupos residuais contendo vários blocos de percepção de degradação. Os blocos de percepção de degradação calculam um mapa espacial de pesos por meio de atenção cruzada entre a representação da degradação e as características da imagem. Além disso, o modelo coleta características hierárquicas das saídas dos grupos residuais e calcula atenção entre camadas para reutilizar características hierárquicas, permitindo que o modelo se concentre mais em detalhes de alta frequência e melhore sua capacidade de extração de características. A efetividade de cada módulo foi verificada por meio de experimentos de ablação. Em vários conjuntos de teste internacionais abertos, o aumento médio do PSNR foi de 1,45 dB e o SSIM melhorou em 0,058 para um fator de ampliação de 4. Os resultados experimentais indicam que o modelo alcança desempenho significativo na tarefa de super-resolução cega e apresenta bons efeitos visuais.

super-resolução;super-resolução cega;atenção cruzada;atenção espacial;reutilização de características