Los métodos de superresolución existentes suponen un proceso de degradación predefinido desde imágenes de alta resolución a imágenes de baja resolución, lo que es difícil de cumplir para imágenes del mundo real con tipos de degradación complejos. Para abordar este problema, este artículo propone un modelo de superresolución ciega basado en la percepción de la degradación. El modelo genera imágenes de baja resolución utilizando núcleos de desenfoque aleatorios y utiliza aprendizaje contrastivo para representar la degradación. El generador del modelo está compuesto por grupos residuales que contienen varios bloques de percepción de degradación. Los bloques de percepción de degradación calculan un mapa espacial de pesos mediante atención cruzada entre la representación de la degradación y las características de la imagen. Además, el modelo recopila características jerárquicas de la salida de los grupos residuales y calcula atención entre capas para reutilizar características jerárquicas, lo que permite que el modelo se enfoque más en los detalles de alta frecuencia y mejore su capacidad de extracción de características. La efectividad de cada módulo se verificó mediante experimentos de ablación. En varios conjuntos de prueba internacionales abiertos, el aumento promedio del PSNR fue de 1.45 dB y el SSIM mejoró en 0.058 para un factor de ampliación de 4. Los resultados experimentales demuestran que el modelo logra un rendimiento notable en la tarea de superresolución ciega y tiene buenos efectos visuales.

superresolución;superresolución ciega;atención cruzada;atención espacial;reutilización de características