既存の超解像再構成アルゴリズムが画像の多尺度情報と深層特徴を十分に活用できない問題に対して、多尺度深層特徴蒸留による画像超解像再構成手法（MSDFDN）を提案する。まず、従来の畳み込み層をConvNeXt畳み込みに置き換え、計算コストを抑えつつネットワークの深さを増やし、ネットワークの性能を向上させる。次に、多尺度深層特徴蒸留モジュールを設計し、異なるスケールのConvNeXt畳み込み層を構築し、残差特徴蒸留機構と組み合わせて豊富な低周波情報を回避し、残差ブロック内の多尺度深層特徴を抽出する。最後に、モジュールの末端に注意機構を導入し、抽出した特徴に適応的に重みを付けることで、ネットワークが高周波情報により注目するようにする。ベンチマークデータセットおよび自社で構築したPDCドリルコンポジットデータセットにおいて、他の先進的な軽量超解像再構成アルゴリズムと比較して、本手法により得られた画像のピーク信号対雑音比および構造類似度の定量的指標が向上し、特にディテールが多いUrban100データセットでの4倍超解像画像のピーク信号対雑音比は26.49 dB、構造類似度は0.7976に達した。実験結果は、本手法がより良好な客観的および主観的評価結果を持つことを示している。

画像超解像再構成;畳み込みニューラルネットワーク;軽量;多尺度特徴蒸留;注意機構