深層学習モデルにおける新しい偏光計算イメージング手法は、ネットワークの深さが増すほど計算の複雑さとメモリ使用量が増加し、階層的特徴抽出が不十分になる問題を抱えている。この問題に対処するために、軽量な注意カスケードネットワークを用いた偏光計算イメージング超解像手法を提案した。本手法は、カスケード接続と融合接続を用いて畳み込み層の表現能力を深め、浅層特徴を効果的に伝達しパラメータ数を削減する。重要な空間コンテンツ特徴を抽出するために空間注意適応重み機構を設計し、複数の受容野下での偏光特徴情報を強化する空間ピラミッドネットワークを構築した。特に、アップサンプリングモジュールは浅層および深層の二重経路再構成を導入し、二重経路特徴の融合により高解像度偏光画像を生成する。最後に、ネットワーク末端の情報精緻化ブロックはより精密な特徴を学習し再構成品質を向上させる。実験結果は、本ネットワークによる再構成画像のテクスチャ詳細がより豊かであり、全偏光画像セットにおける2倍超解像のピーク信号対雑音比は45.12 dB、パラメータ数はMSRNモデルの約9%に過ぎないことを示している。提案手法はカスケード方式で低周波特徴情報を効果的に捉えつつ大幅なパラメータ削減を実現し、注意ピラミッド構造と組み合わせて深層特徴を探索し、軽量ネットワークにおける効率的な超解像再構成効果を達成した。

計算イメージング;超解像;軽量ネットワーク;偏光画像;カスケード接続