既存のTransformerベースの画像超解像ネットワークにおける受容野スケールの単一性および追加次元情報の十分な活用がされていない問題に対して、本研究では多次元集約Transformerネットワークを提案する。まず、多尺度インタラクティブモジュールを構築し、低解像度画像から多尺度特徴を抽出して情報フローの豊かさを強化する。次に、空間-チャネルインタラクションモジュールを設計し、Transformer層に統合することで、4種類の注意機構を用いて重要な特徴を十分に抽出し特徴融合を実現し、モデル性能を向上させる。最後に、特徴再利用Transformerモジュールを提案し、各層の特徴間の関連性を深く掘り下げ、重要な特徴を正確に抽出し効率的に再利用してモデルの表現力をさらに強化する。実験結果は、5つのベンチマークデータセットで提案手法が他の先進的アルゴリズムを上回ることを示している。異なる拡大倍率の超解像タスクにおいて、Swin Transformerベースの画像復元手法と比較して、ピーク信号対雑音比および構造類似度がそれぞれ平均約0.26dBおよび0.0024向上し、再構成結果もより鮮明である。本手法は既存手法の欠点を効果的に克服し、超解像タスクにおいて顕著な性能向上と応用可能性を示す。

画像超解像;Transformer;注意機構;特徴相互作用;特徴再利用;多尺度