Para lidar com a baixa eficiência na extração de características de baixa resolução durante o processo de reconstrução de super-resolução de imagens, que causa bordas borradas e artefatos devido à perda de grande quantidade de informações de alta frequência, foi proposta um método de reconstrução de super-resolução de imagens que integra um mecanismo de atenção multidimensional com fusão seletiva de características como módulo de extração de características de imagem. A rede é composta por vários blocos básicos e operações residuais para formar a estrutura de extração de características do modelo. O núcleo é um bloco convolucional heterogêneo de extração de características de imagem, no qual o bloco convolucional simétrico realiza convoluções paralelas para extrair características internas entre diferentes canais e realizar fusão seletiva de características. O bloco convolucional complementar captura informações contextuais omitidas nas dimensões espacial, de entrada/saída e do núcleo através de convoluções dinâmicas em todas as dimensões. As características conectadas dos blocos simétrico e complementar são processadas por um bloco residual de aprimoramento de características para remover informações inúteis que causam interferências. O modelo comprova a razoabilidade de seu design por meio de cinco experimentos de ablação. Em comparação com outros métodos principais de reconstrução de super-resolução nos conjuntos de teste Set5, Set14, BSDS100 e Urban100, os dados quantitativos de PSNR e SSIM apresentaram melhorias, especialmente no conjunto de dados Set5 com fator de ampliação 3, onde superou o segundo melhor algoritmo CARN-M em 0,06 dB, indicando que o modelo proposto possui melhores indicadores de desempenho e melhores efeitos visuais.

super-resolução; mecanismo de atenção multidimensional; fusão de características; redes residuais