Large coordinate kernel attention network for lightweight image super-resolution

多尺度感受野和大卷积核注意力（LKA）模块已被证明能显著提高轻量级图像超分辨率任务的性能。然而，现有的轻量级超分辨率（SR）方法很少关注设计具有多尺度感受野的高效构建模块，而它们的LKA模块随着卷积核大小的增加而面临计算和内存占用的二次增加。为解决第一个问题，我们提出了多尺度蓝图可分离卷积（MBSConv）作为高效的构建模块，具有多尺度感受野，它可以专注于学习判别性表示的多尺度信息，这是一个重要组成部分。至于第二个问题，我们重新审视了LKA的关键属性，发现局部信息和长距离依赖的相邻直接交互对提供显著性能至关重要。因此，考虑到这一点并为了减少LKA的复杂性，我们提出了一个大坐标卷积核注意力（LCKA）模块，将LKA中深度可分离卷积层的2D卷积核分解为水平和垂直的1D卷积核。LCKA不仅在水平方向上实现了局部信息和长距离依赖的相邻直接交互，而且在垂直方向上也实现了。此外，LCKA允许在深度可分离卷积层中直接使用极大的卷积核来捕获更多的上下文信息，有助于显著提高重建性能，并且它的计算复杂度和内存占用更低。将MBSConv和LCKA集成，我们提出了一个大坐标卷积核注意力网络（LCAN）。

该论文旨在解决轻量级图像超分辨率任务中的两个问题，即设计具有多尺度感受野的高效构建块和解决大核心注意力模块的计算和内存开销问题。

该论文的关键思路是提出了多尺度蓝图可分离卷积（MBSConv）作为具有多尺度感受野的高效构建块，并提出了大坐标核注意力（LCKA）模块，将深度卷积层中的2D卷积核分解为水平和垂直1-D卷积核，以实现局部信息和远距离依赖之间的相邻直接交互，从而提高重建性能。

该论文的实验结果表明，与现有的轻量级超分辨率方法相比，LCAN具有更好的重建性能和更低的计算和内存开销。该论文使用了多个数据集进行实验，并公开了代码。此外，该论文提出的MBSConv和LCKA模块也可以应用于其他计算机视觉任务中。

在最近的相关研究中，还有一些关于轻量级图像超分辨率的研究，例如“Efficient Super-Resolution with Multi-Scale Separable Convolution”和“Lightweight Image Super-Resolution with Adaptive Weighted Learning Network”等。