NAFRSSR: a Lightweight Recursive Network for Efficient Stereo Image Super-Resolution

立体图像超分辨率（SR）指的是从一对低分辨率（LR）图像中重建出高分辨率（HR）图像，通常这对图像是由双摄像头设备捕获的。为了增强SR图像的质量，大多数先前的研究都集中在增加特征图的数量和大小以及引入复杂且计算密集的结构上，导致模型具有高计算复杂度。在这里，我们提出了一个简单而高效的立体图像SR模型NAFRSSR，它是从之前的最先进模型NAFSSR中通过引入递归连接并轻量化组成模块来修改的。我们的NAFRSSR模型由非线性激活函数自由和基于组卷积的块（NAFGCBlocks）和深度分离立体交叉注意力模块（DSSCAMs）组成。NAFGCBlock通过从NAFBlock中删除简单的通道注意机制并使用组卷积来改善特征提取和减少参数数量。DSSCAM通过将SCAM中的1x1逐点卷积替换为共享权重的3x3深度卷积来增强特征融合和减少参数数量。此外，我们提出将可训练的边缘检测算子纳入NAFRSSR以进一步提高模型性能。我们设计了四个不同尺寸的NAFRSSR变体，分别为NAFRSSR-Mobile（NAFRSSR-M）、NAFRSSR-Tiny（NAFRSSR-T）、NAFRSSR-Super（NAFRSSR-S）和NAFRSSR-Base（NAFRSSR-B），它们都比以前的最先进模型具有更少的参数、更高的PSNR/SSIM和更快的速度。特别地，据我们所知，NAFRSSR-M是最轻（0.28M参数）和最快（50毫秒推理时间）的模型，在基准数据集上实现了平均PSNR/SSIM高达24.657 dB/0.7622。代码和模型将在https://github.com/JNUChenYiHong/NAFRSSR发布。

论文旨在解决双摄像头设备拍摄的低分辨率图像对的超分辨率重建问题，提高SR图像的质量，同时降低模型的计算复杂度。

论文提出了一种简单高效的立体图像超分辨率模型NAFRSSR，通过引入递归连接和轻量化组成模块，同时使用非线性激活自由和组卷积的块（NAFGCBlocks）和深度分离立体交叉注意力模块（DSSCAMs）来提高特征提取和融合的效果，降低参数数量和计算复杂度。

论文提出了四个不同大小的NAFRSSR模型，它们都比之前的最先进模型具有更少的参数、更高的PSNR/SSIM和更快的速度。其中NAFRSSR-M是最轻量（0.28M参数）和最快（50毫秒推理时间）的模型，在基准数据集上实现了平均PSNR/SSIM高达24.657 dB/0.7622。论文还将可训练的边缘检测算子引入到NAFRSSR中，进一步提高了模型性能。代码和模型将在https://github.com/JNUChenYiHong/NAFRSSR上发布。

最近的相关研究包括：《Learning Parity Maps for Image Super-Resolution》、《Learning to Super-Resolve Intensity Maps for Single Image Super-Resolution》、《Deep Multi-scale Convolutional Neural Network for Dynamic Scene Deblurring》等。