Considerando o alto custo computacional dos atuais algoritmos de super-resolução de imagens, a percepção limitada das texturas locais de alta frequência e a extração insuficiente de informações-chave, este artigo propõe uma rede leve de reconstrução de super-resolução de imagens baseada em atenção de fusão de alta frequência. Primeiramente, foi projetado um módulo de aprimoramento de via dupla na estrutura da rede para desacoplar explicitamente as características em dois ramos paralelos de alta e baixa frequência. O ramo de baixa frequência é usado para capturar estruturas suaves, enquanto o ramo de alta frequência aplica um filtro passa-alta aprendível inicializado pelo operador de Laplace para extrair bordas e texturas com precisão. Em seguida, propõe-se um módulo de refinamento espacial que utiliza convoluções separadas por direção para aprimorar características locais, gerando consultas (Query) ricas em informações espaciais. Finalmente, foi projetado um mecanismo de atenção eficiente e assimétrico sensível à frequência para obter uma interação eficaz entre informações locais e globais. Esse mecanismo usa a informação local da saída do módulo de refinamento espacial como consulta e recupera dinamicamente informações complementares em escala global, solucionando eficazmente as limitações da janela local para dependências de longo alcance. Experimentos no conjunto de dados Urban100 mostram que o algoritmo melhora em média o PSNR em 0,53 dB e o SSIM em 0,0147 na escala de ampliação ×4 em comparação com outros modelos, e o tempo de execução corresponde a apenas 14% do SwinIR. Em termos de qualidade visual da reconstrução da imagem, o modelo pode gerar bordas mais nítidas e texturas mais realistas, validando plenamente a eficácia e o avanço do modelo no processo de reconstrução de imagens, mantendo sua leveza.

processamento de imagens; reconstrução de super-resolução; mecanismo de atenção; fusão de características; leve