画像超解像アルゴリズムにおける畳み込みニューラルネットワークの複数スケール特徴に対する適応的学習能力を拡張し、ネットワーク性能を向上させるため、本論文ではカスケード残差法に基づくTransformerネットワークの最適化構造を提案し、画像超解像再構成を行った。まず、本ネットワークはカスケード残差構造を採用し、低次および中間次の特徴の反復的再利用および情報共有能力を強化した。次に、チャンネル注意メカニズムをTransformer構造に導入し、ネットワークの特徴表現力とチャネル重みの適応学習能力を強化した。最後に、Transformerネットワーク構造内の知覚モジュールをカスケード知覚モジュールに最適化し、ネットワークの深さを拡張してモデルの特徴表現能力を強化した。Set5、Set14、BSD100、Urban100、Manga109のデータセットで2倍、3倍、4倍の拡大再構成テストを行い、主流の手法と比較した。客観的評価の結果、4倍拡大因子のSet5データセットにおいて、本手法による画像のピーク信号対雑音比は他の主流手法と比較して平均1.14dB、構造類似度の平均値は0.019向上した。主観的評価と合わせて、本手法は他の主要手法と比較して画像再構成効果が良好であり、復元された画像のテクスチャ細部がより鮮明であることを示した。

畳み込みニューラルネットワーク;画像超解像再構成;残差ネットワーク;Transformer;注意メカニズム