В связи с высокой вычислительной стоимостью существующих алгоритмов сверхразрешения изображений, ограниченным восприятием локальных высокочастотных текстур и недостаточным извлечением ключевой информации, в данной работе предлагается легковесная сеть для восстановления сверхразрешения изображений на основе внимания к высокочастотному слиянию. Во-первых, в структуре сети разработан двухпутевой модуль усиления, который явно разлагает признаки на два параллельных ветвления для высоких и низких частот. Ветка низких частот используется для захвата плавных структур, в то время как ветка высоких частот применяет обучаемый высокочастотный фильтр с инициализацией оператором Лапласа для точного извлечения краев и текстур. Во-вторых, предложен пространственный модуль уточнения, использующий направленные свёртки для усиления локальных признаков и выдающий запросы (Query) с богатой пространственной информацией. Наконец, разработан эффективный асимметричный механизм частотно-чувствительного внимания для обеспечения эффективного взаимодействия между локальной и глобальной информацией. Этот механизм использует локальную информацию от выходов пространственного модуля уточнения в качестве запроса и динамически извлекает дополнительную информацию на глобальном уровне, эффективно преодолевая ограничения локального окна на дальние зависимости. Эксперименты на наборе данных Urban100 показали, что алгоритм обеспечивает среднее повышение PSNR на 0,53 дБ и SSIM на 0,0147 при масштабе увеличения ×4 по сравнению с другими моделями, при этом время работы составляет лишь 14% от SwinIR. С точки зрения визуального качества восстановления изображений модель способна генерировать более чёткие края и более реалистичные текстуры, что полностью подтверждает эффективность и передовость модели в процессе восстановления изображения при сохранении лёгкости.

обработка изображений; восстановление сверхразрешения; механизм внимания; слияние признаков; легковесный