이미지 초해상도 알고리즘에서 합성곱 신경망의 다중 스케일 특징에 대한 적응 학습 능력을 확장하고 네트워크 성능을 향상시키기 위해 본 논문은 캐스케이드 잔차 방식을 기반으로 한 Transformer 네트워크 최적화 구조를 제안하여 이미지 초해상도 복원을 수행한다. 우선, 이 네트워크는 캐스케이드 잔차 구조를 채택하여 저차 및 중간 차 특징의 반복적 재사용과 정보 공유 능력을 강화하였으며, 둘째, 채널 주의 메커니즘을 Transformer 구조에 도입하여 네트워크의 특징 표현력과 채널 가중치의 적응적 학습 능력을 향상시켰다. 마지막으로, Transformer 네트워크 구조 내의 인지 모듈을 캐스케이드 인지 모듈로 최적화하여 네트워크 깊이를 확장하고 모델의 특징 표현 능력을 강화하였다. Set5, Set14, BSD100, Urban100 및 Manga109 데이터셋에서 2배, 3배, 4배 확대 재구성 테스트를 수행하고 주요 방법들과 비교하였다. 객관적 평가 결과, 4배 확대 인자 Set5 데이터셋에서 본 방법이 도출한 이미지의 피크 신호 대 잡음비가 다른 주요 방법 대비 평균 1.14 dB 향상되고 구조적 유사도 평균값이 0.019 향상됨을 보였다. 주관적 평가 결과, 본 방법이 타 주요 방법 대비 더 우수한 이미지 복원 효과를 나타내며 복원된 이미지의 질감 세부 사항이 더욱 선명함을 나타낸다.

합성곱 신경망; 이미지 초해상도 복원; 잔차 네트워크; Transformer; 주의 메커니즘