Swift Parameter-free Attention Network模型详解及代码复现
研究动机
在深度学习领域，超分辨率技术的发展面临着 模型复杂度与推理速度 之间的权衡。传统的基于注意力的超分辨率网络虽然能提高性能，但往往需要较大的感受野和参数化的注意力图，这可能导致推理速度下降。
为了解决这一问题，研究人员提出了Swift Parameter-free Attention Network (SPAN)模型，旨在开发一种 快速有效的注意力机制 ，在不显著增加模型复杂性的前提下提高超分辨率性能。这种轻量级注意力方法的核心在于最大化受限模型预算内的表达能力，为超分辨率技术的发展提供了新的思路。
SISR任务简介
SISR（Single Image Super-Resolution）是一种重要的图像处理技术，旨在通过算法将低分辨率图像重建为高分辨率图像。其核心目标是在保持图像内容真实性的同时，尽可能提高图像的细节和清晰度。
常用的评估指标包括 PSNR（峰值信噪比） 和 SSIM（结构相似性） ，这些指标能够客观地衡量重建图像与原始高分辨率图像之间的差异。SISR在医学成像、卫星遥感等领域具有广泛应用，为提高图像质量和分析能力提供了重要技术支持。