.png){kind=icon}
返回
Image Super-Resolution via Interpretable Lightweight Transformers
.png){kind=icon}
PRE
AI
DOI：10.1007/s10851-025-01275-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
越来越多的基于深度学习的单图像超分辨率（SISR）方法通过组装更复杂的模块或加深网络架构来提升重建性能，这带来了大量的网络参数。同时，这些方法往往缺乏对其网络设计的解释。为解决此问题，本文基于优化理论提出了一种新颖的可解释Transformer网络（ITN）。具体而言，所提出的ITN方法从图像退化优化中推导出一种算法，为网络设计提供了理论解释。然后基于上述算法，通过混合MSRB和Transformer设计了一个有效的深度网络，作为迭代算法中的去噪器。由于所提出的ITN遵循优化问题的迭代解，因此具有算法解释性，并因其递归形式而实现了轻量级结构。同时，使用深度可分离卷积计算跨通道协方差矩阵，以在Transformer中实现自注意力机制。大量实验表明，所提出的ITN在重建性能和架构效率方面均优于现有的相关超分辨率方法。
Keyword:
Super-resolution
Interpretation
Transformer
Lightweight
Prior
期刊
J
IF:
1.5
论文数:
35
被引数:
0
机构
引用论文
.png){kind=icon}
查看更多内容