摘要

超分辨率（Super-Resolution, SR）旨在从低分辨率图像中重建出高分辨率图像。当前主流的SR模型主要分为卷积神经网络（CNN）和窗口注意力（window-attention）两类。然而，这类方法存在结构上的刚性：在特征聚合过程中，每个像素均从固定数量的邻域像素中获取信息，这种固定模式限制了其在SR任务中的表现潜力。为此，本文借鉴图结构的灵活性，提出一种面向图像处理的图神经网络模型——图像处理图神经网络（Image Processing GNN, IPG），以突破传统SR方法的刚性约束。首先，SR任务具有显著的不均衡性：大部分重建工作集中于图像中细节丰富的局部区域。为此，我们利用图结构的度灵活性，为细节丰富的图像节点分配更高的连接度（node degree），从而增强其信息聚合能力。其次，为构建更有效的图结构以支持SR任务，我们采用像素作为图节点，而非传统方法中的图像块（patch）节点，从而实现更精细的建模。最后，我们认为局部与全局信息对提升SR性能均至关重要。为高效融合多尺度信息，我们设计了双路径图构建策略：在局部范围内搜索节点连接以构建局部图，同时在全图上通过步长采样空间寻找连接以构建全局图。这种灵活的图结构设计显著提升了模型的信息聚合能力。实验结果表明，所提出的IPG模型在多个公开数据集上均优于现有最先进方法。相关代码已开源，地址为：https://github.com/huawei-noah/Efficient-Computing/tree/master/LowLevel/IPG。