Devido à dificuldade dos algoritmos atuais de reconstrução de super-resolução em explorar plenamente as informações multiescala e as características profundas da imagem, foi proposta uma metodologia de reconstrução de imagem por super-resolução baseada na destilação de características profundas multiescala (MSDFDN). Primeiramente, a convolução tradicional foi substituída pela convolução ConvNeXt para aumentar a profundidade da rede com baixo custo computacional, melhorando assim o desempenho da rede; em segundo lugar, foi projetado um módulo de destilação de características profundas multiescala, construindo camadas ConvNeXt em diferentes escalas e combinando com um mecanismo de destilação residual para contornar as abundantes informações de baixa frequência e extrair características profundas multiescala nos blocos residuais; por fim, foi introduzido no fim do módulo um mecanismo de atenção para ponderar adaptativamente as características extraídas, fazendo com que a rede se concentre mais em informações de alta frequência. Em conjuntos de dados padrão e em nosso conjunto de dados composto de brocas PDC, a metodologia proposta apresentou melhoras na relação sinal-ruído de pico e na similaridade estrutural das imagens em comparação com outros algoritmos avançados e leves de super-resolução, especialmente no conjunto de dados Urban100, rico em detalhes, onde a relação sinal-ruído de pico das imagens reconstruídas em 4× atingiu 26,49 dB e a similaridade estrutural 0,7976. Os resultados experimentais indicam que o método proposto possui melhores métricas objetivas e subjetivas.

reconstrução de imagem por super-resolução;redes neurais convolucionais;leve;destilação de características multiescala;mecanismo de atenção