Para abordar os problemas de escala única do campo receptivo e exploração insuficiente de informações dimensionais adicionais em redes de super-resolução de imagem baseadas em Transformer existentes, este artigo propõe uma rede Transformer de agregação multidimensional. Primeiramente, através da construção de um módulo de modulação interativa multiescala, extrai-se características multiescala de imagens de baixa resolução para enriquecer o fluxo de informações. Em seguida, foi projetado um módulo de interação espaço-canal, integrado na camada Transformer, utilizando quatro formas de mecanismos de atenção para extrair e fundir plenamente características-chave, melhorando assim o desempenho do modelo. Por fim, propõe-se um módulo Transformer de reutilização de características, que explora profundamente as correlações entre as características das diferentes camadas, extraindo e reutilizando com precisão e eficiência as características importantes, fortalecendo ainda mais a performance do modelo. Resultados experimentais demonstram que o método proposto supera outros algoritmos avançados em cinco conjuntos de teste padrão. Em tarefas de super-resolução com diferentes fatores de ampliação, o pico de relação sinal-ruído e a similaridade estrutural melhoraram em média cerca de 0,26 dB e 0,0024, respectivamente, em comparação com métodos de restauração de imagem baseados em Swin Transformer, apresentando resultados de reconstrução mais nítidos. Esse método supera efetivamente as limitações dos métodos existentes e demonstra melhorias significativas de desempenho e potencial de aplicação em tarefas de super-resolução.

super-resolução;Transformer;mecanismo de atenção;interação de características;reutilização de características;múltipla escala