Para expandir a capacidade de aprendizagem adaptativa das redes neurais convolucionais em características de múltiplas escalas nos algoritmos de super-resolução de imagens e melhorar o desempenho da rede, este artigo propõe uma estrutura otimizada da rede Transformer baseada no método cascata residual para reconstrução de imagens com super-resolução. Primeiro, a rede adota uma estrutura cascata residual, reforçando a reutilização iterativa e o compartilhamento de informações das características de baixo e médio nível; segundo, o mecanismo de atenção por canal é introduzido na estrutura Transformer, aumentando a capacidade de expressão das características e a aprendizagem adaptativa dos pesos dos canais; por fim, o módulo perceptivo na estrutura da rede Transformer é otimizado para um módulo perceptivo em cascata, expandindo a profundidade da rede e melhorando a capacidade de expressão das características do modelo. Testes de reconstrução com ampliações de 2x, 3x e 4x foram realizados nos conjuntos de dados Set5, Set14, BSD100, Urban100 e Manga109, comparando com os métodos principais. A avaliação objetiva mostrou que no conjunto de dados Set5 com fator de ampliação de 4x, o método proposto melhorou em média o pico da relação sinal-ruído das imagens em 1,14 dB e o valor médio da similaridade estrutural em 0,019 em comparação com outros métodos principais. A avaliação subjetiva indicou que o método proposto oferece melhores resultados de reconstrução de imagem em comparação com outros métodos principais, com detalhes de textura recuperados mais nítidos.

rede neural convolucional; reconstrução de super-resolução de imagem; rede residual; Transformer; mecanismo de atenção