1. 一眼概覽

TSRNet提出一種樹結(jié)構(gòu)引導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)，通過融合分支層次信息、引入余弦變換和Adan優(yōu)化器，實(shí)現(xiàn)對(duì)低分辨率圖像的高質(zhì)量超分辨率重建。

2. 核心問題

當(dāng)前圖像超分辨率方法在提取關(guān)鍵層次信息和優(yōu)化訓(xùn)練過程中仍面臨冗余信息干擾與梯度爆炸問題，導(dǎo)致圖像恢復(fù)質(zhì)量受限。如何構(gòu)建高效結(jié)構(gòu)并穩(wěn)健訓(xùn)練模型，是提升超分辨率性能的關(guān)鍵挑戰(zhàn)。

3. 技術(shù)亮點(diǎn)

1）樹結(jié)構(gòu)網(wǎng)絡(luò)（TSRNet）：通過4個(gè)分支和3個(gè)融合模塊，以二叉樹形式組織網(wǎng)絡(luò)，強(qiáng)化層次信息的表達(dá)與融合。

2）余弦卷積模塊（CTMB）：利用Sharpened Cosine Similarity提取方向性顯著特征，增強(qiáng)局部結(jié)構(gòu)表達(dá)能力。

3）Adan優(yōu)化器：基于Nesterov動(dòng)量的優(yōu)化策略，有效抑制梯度爆炸，加快訓(xùn)練收斂，提升模型泛化性。

4. 方法框架

圖片

TSRNet整體流程如下：

? 4個(gè)樹狀分支模塊：每個(gè)分支堆疊9個(gè)卷積+ReLU單元，前兩分支含CTMB模塊；

? 3個(gè)融合模塊：逐級(jí)將分支輸出通過殘差和卷積融合，提煉有效結(jié)構(gòu)特征；

? 重建模塊：通過卷積和PixelShuffle操作生成高分辨率圖像；

? 訓(xùn)練優(yōu)化：采用MSE損失函數(shù)，結(jié)合Adan優(yōu)化器加速訓(xùn)練。

5. 實(shí)驗(yàn)結(jié)果速覽

? 在Set5數(shù)據(jù)集上 ×4 放大：TSRNet達(dá)到31.94dB/0.8915 SSIM，優(yōu)于AFAN-S等主流方法。

? 在U100數(shù)據(jù)集上 ×4 放大：PSNR提升至26.00dB，相較無CTMB結(jié)構(gòu)提升明顯。

? 運(yùn)行效率：在512×512圖像上，TSRNet推理時(shí)間為35.68ms，優(yōu)于EDSR（57.53ms）和ACNet（75.79ms）。

6. 實(shí)用價(jià)值與應(yīng)用

TSRNet適用于安防監(jiān)控、衛(wèi)星遙感、醫(yī)學(xué)圖像等高保真重建場景，尤其在邊緣計(jì)算或?qū)崟r(shí)處理場景中展現(xiàn)出較高實(shí)用性和部署價(jià)值。

7. 開放問題

? 樹結(jié)構(gòu)深度與分支數(shù)量是否存在最優(yōu)配置？能否自適應(yīng)調(diào)整結(jié)構(gòu)？

? 余弦變換模塊能否替代全部卷積操作，構(gòu)建純方向感知網(wǎng)絡(luò)？

? Adan優(yōu)化策略能否泛化到其他視覺任務(wù)如去噪、壓縮感知等？