Существующие методы сверхразрешения предполагают заранее определенный процесс деградации от изображений высокого разрешения к изображениям низкого разрешения, что сложно применимо к реальным изображениям со сложными типами деградации. Для решения этой проблемы в данной статье предлагается модель слепого сверхразрешения, основанная на восприятии деградации. Модель генерирует изображения низкого разрешения с помощью случайных размывающих ядер и использует контрастное обучение для представления деградации. Генератор модели состоит из остатковых блоков, содержащих несколько блоков восприятия деградации. Блоки восприятия деградации вычисляют пространственную карту весов с помощью взаимного внимания между представлением деградации и признаками изображения. Кроме того, модель собирает иерархические признаки из выходов остаточных блоков и вычисляет межслойное внимание для повторного использования иерархических признаков, что позволяет модели больше сосредотачиваться на высокочастотных деталях и улучшает способность извлечения признаков. Эффективность каждого модуля подтверждена через абляционные эксперименты. На нескольких международных открытых тестовых наборах среднее повышение PSNR при увеличении в 4 раза составляет 1,45 дБ, а SSIM улучшается на 0,058. Экспериментальные результаты показывают, что модель достигает значительных результатов в задаче слепого сверхразрешения и обладает хорошими визуальными эффектами.

сверхразрешение;слепое сверхразрешение;взаимное внимание;пространственное внимание;повторное использование признаков