单图像超分辨率的多尺度大核可分离核注意力网络

来源：计算机工程与应用杂志2026年第11期北京时间：

作者：张亚东, 褚子墨, 周洪竞, 王红强

单位：1.中国科学技术大学，合肥 230026；2.中国科学院合肥物质科学研究院，合肥 230031；3.安徽医科大学第一附属医院 医学工程部，合肥 230022；

摘要：大核注意力（large kernel attention，LKA）模块利用大核深度卷积和深度膨胀卷积扩展感受野，在单图像超分辨率（SISR）任务中表现出卓越的性能。然而，随着核大小的增加，深度卷积层的计算和内存需求呈二次方增长，严重阻碍它们在终端设备上的部署。为提高计算效率的同时保持局部语义连贯性，提出一种新的多尺度大可分离注意力网络（multi-scale large separable attention network，MLSAN）。为了整合全局语义和局部纹理特征，提出了一种新的多尺度大可分离核注意力（multi-scale large separable kernel attention，MLSKA）模块。MLSKA集成了先进的空间门控深度卷积（spatial gating depth-wise convolution，SG-DWConv）模块，以减少空间信息丢失。此外，还引入Inceptive SG-DWConv，将大核DWConv沿通道维度分解为四个并行分支，以有效地捕获潜在的内在特征。通过为非匹配区域分配更高的权重来重新设计损失函数，可以有效引导模型更多地关注具有挑战性的区域。实验结果表明，提出的方法优于所有最先进的轻量级模型，在性能和复杂性之间实现了很好的平衡。

关键词：大核注意力（LKA）,自监督,轻量级模型,损失函数

基金资助：国家自然科学基金（61973295，81872276）；安徽省教育厅大学科学研究项目（KJ2021A0633）；安徽建筑大学运筹学与数据科学实验室项目（YCSJ2024ZR02）。