.png){kind=icon}
返回
Scale-aware feature modeling and dynamic sampling enable arbitrary-scale image super-resolution
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-48417-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
单图像超分辨率（SISR）已见证从传统方法到深度学习的显著转变，并导致近期蓬勃发展。然而，使用单一模型有效处理任意尺度（如整数、非整数或不规则）仍是一项挑战性任务。现有SISR模型在提取任意尺度分辨率特征时未能充分感知尺度变化，而其有限局部感受野阻碍了全局图像结构的建模。此外，由于对尺度因子和局部特征多样性对上采样阶段的影响考虑不足，非整数尺度超分辨率图像的生成常出现不连贯细节或突变过渡。为解决这些局限性，我们从跨尺度动态特征提取和自适应上采样的角度提出了跨尺度动态任意尺度超分辨率网络（CDASSR-Net）。首先，我们提出尺度感知特征适配（SAFA）模块，根据尺度因子自适应调整滤波器。同时，通过跳过连接实现跨尺度特征融合，以更好地满足多尺度特征表示需求并缓解深度网络中此类融合常见的细节信息损失。然后，我们设计局部自适应尺度感知上采样器（LASU）模块，基于输入尺度信息动态生成滤波器，使上采样能泛化至任意分辨率。在多种基准数据集上的广泛实验表明，将所提模块集成到固定尺度SR网络中，可使它们在非整数或不规则尺度上实现满意性能，同时保持整数尺度上的优越性能。代码可从https://github.com/Zheng4x/CDASSR获取。
Keyword:
Engineering
Mathematics and computing
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
查看更多内容