通过自适应方向梯度卷积实现高效的实际图像超分辨率

《INTERNATIONAL JOURNAL OF COMPUTER VISION》：Efficient Real-World Image Super-Resolution Via Adaptive Directional Gradient Convolution

　　

摘要

真实世界图像超分辨率（Real-SR）技术旨在生成具有丰富细节的高分辨率图像，同时减轻多种退化因素的影响。尽管现有方法在细节恢复方面取得了显著成果，但由于采用基于强度的线性加权特征提取方式，在处理具有复杂梯度分布的区域时仍存在不足。此外，成像过程中退化线索引入的随机伪影会增加整体图像细节的混乱性，进一步复杂化了内在梯度结构的感知。为应对这些挑战，我们在卷积核中创新性地引入了核级差分运算，并开发了几种可学习的方向梯度卷积（directional gradient convolutions）。这些卷积与一种新颖的线性加权机制并行结合，形成了自适应方向梯度卷积（Adaptive Directional Gradient Convolution，简称DGConv），该卷积能够自适应地对基本方向梯度进行加权与融合，从而提高对规则和不规则纹理的梯度结构感知能力。为了进一步提升DGConv的性能，我们还设计了一种新的等效参数融合方法，该方法在保持其强大表示能力的同时，使计算成本与传统的单层卷积（Vanilla Convolution，简称VConv）相当，从而无需额外增加计算开销。为了更好地发挥DGConv的优势，我们进一步开发了自适应信息交互模块（Adaptive Information Interaction Block，简称AIIBlock），以精确平衡纹理和对比度的增强效果，并深入研究了各要素之间的依赖关系，最终通过简单堆叠方式构建了用于Real-SR的方向梯度感知网络（Directional Gradient Perceiving Network，简称DGPNet）。通过与15种最先进（SOTA）超分辨率方法在三个公开数据集上的对比实验，证明了我们提出方法的有效性和高效性。源代码将公开发布在github.com/peylnog/ERealSR-DGPNet。