摘要

近年来，图像超分辨率研究主要由基于Transformer的模型主导，但由于自注意力机制具有二次方复杂度，这类模型所需的计算资源远高于卷积神经网络（CNN）。为此，我们提出了一种新型神经网络——WaveMixSR，该模型基于WaveMix架构，利用二维离散小波变换（2D-discrete wavelet transform）实现空间维度上的特征混合（spatial token-mixing）。与基于Transformer的模型不同，WaveMixSR并未将图像展开为像素或图像块的序列，而是结合了卷积操作的归纳偏置（inductive bias）以及小波变换的无损特征混合特性，在显著降低计算资源消耗和训练数据需求的同时，实现了更优的性能表现。我们对WaveMixSR在图像超分辨率任务中的性能进行了全面评估，并与当前主流的先进方法进行了对比。实验结果表明，WaveMixSR在所有测试数据集上均表现出具有竞争力的性能，并在BSD100数据集上的多个超分辨率任务中达到了当前最优水平。相较于现有最先进模型，WaveMixSR不仅在更低的训练数据量和更少的计算资源下实现了优异性能，同时保持了更高的参数效率，展现出良好的实用潜力。