딥러닝 모델에서의 새로운 편광 계산 영상 방법은 네트워크 깊이가 증가함에 따라 계산 복잡도와 메모리 사용이 증가하고 계층적 특징 추출이 불충분한 문제를 안고 있다. 이를 해결하기 위해 경량화된 주의 연쇄 네트워크 기반 편광 계산 영상 초해상도 방법을 제안하였다. 이 방법은 연쇄 연결과 융합 연결 방식을 통해 합성곱 층의 표현 능력을 심화하여 얕은 계층 특징을 효과적으로 전달하고 파라미터 수를 줄인다. 중요한 공간 내용 특징을 추출하기 위해 공간 주의 적응 가중치 메커니즘을 설계하고, 다중 수용 영역에서 편광 특징 정보를 강화하기 위한 공간 피라미드 네트워크를 구축하였다. 특히 업샘플링 모듈은 얕은 층과 깊은 층의 이중 경로 재구성을 도입하여 두 경로 특징을 융합해 고해상도 편광 이미지를 생성한다. 마지막으로, 네트워크 말단의 정보 세밀화 블록은 더 정밀한 특징을 학습하고 재구성 품질을 향상시키는 역할을 한다. 실험 결과 본 논문 네트워크가 재구성한 이미지의 질감 디테일이 더 풍부하며, 전체 편광 이미지 집합에서 2배 초해상도 시의 신호대잡음비는 45.12 dB이고, 파라미터 수는 MSRN 모델의 약 9%에 불과하다. 제안된 방법은 연쇄 방식을 통해 저주파 특징 정보를 효과적으로 포착하면서도 파라미터 수를 크게 줄였으며, 주의 피라미드 구조와 결합하여 심층 특징을 탐색하여 경량 네트워크의 효율적인 초해상도 재구성 효과를 구현하였다.

계산 영상;초해상도;경량 네트워크;편광 영상;연쇄 연결