摘要

近年来，深度卷积神经网络（CNN）在单图像超分辨率（SISR）任务中得到了广泛应用，并取得了显著的性能提升。然而，现有的大多数基于CNN的SISR方法主要聚焦于网络结构的宽度或深度扩展，忽视了对中间层特征之间相关性的挖掘，从而限制了CNN的表征能力。针对这一问题，本文提出一种二阶注意力网络（Second-order Attention Network, SAN），以实现更强大的特征表达与特征相关性学习。具体而言，我们设计了一种新型可训练的二阶通道注意力（Second-order Channel Attention, SOCA）模块，通过利用二阶特征统计量自适应地重标定通道维度上的特征，从而获得更具区分性的表示。此外，本文还提出一种非局部增强残差组（Non-locally Enhanced Residual Group, NLRG）结构，该结构不仅引入非局部操作以捕捉远距离的空间上下文信息，还包含重复的局部源残差注意力组（Local-source Residual Attention Group, LSRAG），以逐步学习更加抽象的特征表示。实验结果表明，所提出的SAN网络在定量指标和视觉质量方面均显著优于当前最先进的SISR方法。