Os novos métodos de imageamento computacional polarimétrico baseados em modelos de aprendizado profundo apresentam o problema do aumento da complexidade computacional e do uso de memória com o aumento da profundidade da rede, bem como a extração insuficiente de características em camadas. Para resolver este problema, foi proposto um método de super-resolução em imageamento computacional polarimétrico utilizando uma rede em cascata leve com atenção, que adota conexões em cascata e conexões de fusão para aprofundar a capacidade de representação das camadas convolucionais, a fim de transmitir efetivamente as características rasas e reduzir a quantidade de parâmetros. Foi projetado um mecanismo adaptativo de pesos de atenção espacial para extrair características chave do conteúdo espacial, construindo uma rede piramidal espacial para aprimorar as informações das características polarizadas sob múltiplos campos receptivos. Especialmente, o módulo de upsampling introduz um duplo caminho de reconstrução superficial e profundo, gerando uma imagem polarizada de alta resolução pela fusão das características dos dois caminhos. Finalmente, o bloco de refinamento de informações na extremidade da rede é usado para aprender características mais detalhadas e aprimorar a qualidade da reconstrução. Os resultados experimentais mostram que as imagens reconstruídas pela rede possuem detalhes texturais mais ricos, com uma relação sinal-ruído máxima de 45,12 dB na super-resolução 2x no conjunto completo de imagens polarizadas, e a quantidade de parâmetros é de apenas cerca de 9% do modelo MSRN. O método proposto captura efetivamente as características de baixa frequência por meio da cascata, ao mesmo tempo que reduz significativamente a quantidade de parâmetros, e combina a estrutura piramidal de atenção para explorar características profundas, realizando uma reconstrução super-resolvida eficiente em redes leves.

imageamento computacional;super-resolução;rede leve;imagem polarizada;conexão em cascata