Devido à utilização insuficiente das informações espaciais globais e locais de alta e baixa frequência, resultando em detalhes texturais borrados nas imagens reconstruídas, propõe-se um modelo de reconstrução de super-resolução de imagem baseado em atenção e uma rede residual densa de ativação ampla. Inicialmente, quatro núcleos convolucionais paralelos de diferentes escalas são usados para extrair completamente os recursos de baixa frequência da imagem como informações a priori para a transformação dos recursos espaciais. No módulo de mapeamento de recursos profundos, constrói-se um bloco residual de ativação ampla fundido com atenção, utilizando informações a priori de baixa frequência para guiar a extração de recursos de alta frequência. Esse bloco residual de ativação ampla extrai mapas de recursos mais profundos expandindo o número de canais de recursos antes da função de ativação, e as conexões residuais globais e locais construídas reforçam a propagação dos recursos dentro do bloco residual e da rede sem aumentar os parâmetros, enriquecendo a diversidade dos recursos extraídos. Finalmente, os mapas de recursos obtidos são submetidos a upsampling e reconstrução para obter uma imagem de alta resolução nítida. Os experimentos mostram que o algoritmo proposto melhora o índice PSNR em 0,14 dB e o SSIM em 0,001 durante a super-resolução 4x no conjunto de dados BSD100 em comparação com o modelo LatticeNet, e, do ponto de vista visual subjetivo, os detalhes locais da textura da imagem reconstruída também são mais claros.

rede residual; super-resolução; ativação ampla; mecanismo de atenção; conexões densas