摘要

近年来，基于深度卷积神经网络（CNN）的单图像超分辨率（SISR）方法取得了令人瞩目的进展。得益于深度网络强大的表征能力，以往众多方法能够有效学习低分辨率（LR）图像块与其高分辨率（HR）对应版本之间的复杂非线性映射关系。然而，过量的卷积操作会限制超分辨率技术在计算资源受限设备上的应用。此外，在实际应用中，实现任意尺度因子的超分辨率仍是一个关键挑战，而此前的方法尚未得到妥善解决。为应对上述问题，本文提出一种轻量级的信息多蒸馏网络（Information Multi-Distillation Network, IMDN），其核心是级联的信息多蒸馏块（Information Multi-Distillation Block, IMDB），该模块包含蒸馏与选择性融合两部分。具体而言，蒸馏模块分层逐步提取特征，而融合模块则根据候选特征的重要性进行聚合，其重要性评估由本文提出的对比感知通道注意力机制（Contrast-Aware Channel Attention Mechanism）实现。为处理任意尺寸的真实图像，我们设计了一种自适应裁剪策略（Adaptive Cropping Strategy, ACS），使得同一经过充分训练的模型可分块处理图像，实现高效超分辨率。大量实验结果表明，所提方法在视觉质量、内存占用和推理速度等方面均优于当前最先进的超分辨率算法。代码已公开，地址为：\url{https://github.com/Zheng222/IMDN}。