一、解决的问题
第一:卷积神经网络(ConvNets)在图像超分辨率(SR)任务中的表现不如基于Transformer的模型。具体如下,尽管ConvNets在高层次任务中可以与Transformer竞争,但在低层次的图像超分辨率任务中,其性能通常不如Transformer;现有的ConvNet架构(如VAN)虽然引入了大核注意力(LKA)以扩大感受野,但仍存在一些问题,如膨胀卷积可能导致阻塞伪影,且固定大小的LKA无法充分利用不同范围的像素信息。
第二:图像超分辨率任务的本质难题。低分辨率(LR)图像对应无数可能的高分辨率(HR)图像,导致难以找到LR和HR像素之间的正确相关性。
二、提出的办法
针对ConvNets在图像超分辨率任务中表现不如Transformer的问题,提出了多尺度大核注意力(MLKA)和门控空间注意力单元(GSAU)两种方法。通过结合多尺度、门控机制和空间注意力,这些方法显著增强了ConvNets的模型表示能力,并成功应用于构建多尺度注意力网络(MAN),从而在图像超分辨率任务中实现了与Transformer相媲美的性能。