多尺度注意力残差卷积神经网络（MSARCNN）：实现超分辨率重建性能与轻量化设计的突破性平衡

　　本刊推荐：本文提出一种创新的多尺度注意力残差卷积神经网络（MSARCNN），通过整合八组多尺度注意力残差卷积块（MSARCB）和扩张卷积模块（DCB），突破传统超分辨率方法在细节重建与计算复杂度间的矛盾。该模型采用双注意力机制（SEB+PAB）实现通道与像素级特征重校准，配合多尺度并行卷积层和动态扩张感受野技术，在Set5/Set14/BSD100/Urban100数据集上显著超越现有轻量化SR模型，为医疗影像（如CT/MRI超分辨率）和卫星遥感等生命科学领域提供高效解决方案。

　　

Highlight

1. 1.

   设计多尺度残差卷积神经网络，通过MSARCB中的并行卷积层实现多尺度特征提取，并采用特征拼接融合操作降低模型复杂度。DCB模块在不增加网络参数的前提下扩大感受野，增强特征提取能力。

2. 2.

   采用残差跳跃连接促进MSARCB内部特征流高效传递，缓解梯度消失问题，确保信息零丢失，从而稳定训练过程。

3. 3.

   将像素注意力模块（PAB）和压缩激励模块（SEB）集成至MSARCB架构，二者发挥互补作用：PAB选择性强化空间信息丰富的像素，SEB增强通道级特征表征能力，共同提升超分辨率图像重建的细节精度。

4. 4.

   通过残差连接将输入低分辨率图像与最终提取特征相加，实现底层特征与高层特征的融合，确保SR图像的正确重建。

5. 5.

   实验表明，相较于多种先进轻量化SR方法，本方案在重建性能、模型复杂度及参数量方面均取得显著突破，在基准数据集上获得最优峰值信噪比（PSNR）和结构相似性指数（SSIM）值。

Network architecture

如图1所示，提出的MSARCNN包含四个核心组件：浅层特征提取、多尺度注意力特征提取、扩张卷积和图像重建单元。输入低分辨率（LR）图像I_LR ∈ Q^W×H×C_in首先经过初始卷积层：F_o = H_initial(I_LR)，其中H_initial(·)指1×1卷积层与ReLU激活函数的组合，F_o代表浅层特征输出。随后F_o被送入多尺度注意力残差块（MSARCB）进行高层次特征提取。

Datasets

网络训练基于DIV2K数据集开展，该数据集包含1000张图像，其中900张用于训练，100张用于验证。模型测试采用Set5、Set14、BSD100和Urban100四个基准数据集，使用PSNR和SSIM指标评估超分辨率图像质量。

Ablation studies

本节通过系统消融实验验证MSARCNN模型的性能效率与复杂度。研究内容包括MSARCB、SEB、PAB和DCB等模块的有效性分析，不同压缩比'r'值的对比试验，DCB中扩张率参数的优化探索，以及不同模块组合对最终性能的影响机制。