摘要
立体图像超分辨率（Stereo Image Super-Resolution, stereoSR）旨在通过利用另一视角提供的辅助信息，提升超分辨率重建的质量。现有大多数方法聚焦于模块结构的优化，并通过堆叠大量网络模块来提取和融合特征信息。尽管取得了显著进展，但随之而来的却是日益增长的内存与计算开销。为应对这一挑战，本文提出一种自适应学习网络模块组合模式的格状结构，从而实现特征表示的高效且精确提取，最终达成轻量化的立体超分辨率重建。具体而言，受格状相位均衡器（lattice phase equalizer）的启发，我们设计了格状立体NAFBlock（Lattice Stereo NAFBlock, LSNB），通过耦合的蝴蝶状拓扑结构，利用重加权模块（Re-weight Block, RWBlock）连接成对的NAFBlock。RWBlock通过自适应地重加权特征，赋予LSNB探索成对NAFBlock多种组合模式的能力。此外，我们进一步提出格状立体注意力模块（Lattice Stereo Attention Module, LSAM），用于在不同视角之间搜索并迁移最具相关性的特征。所提出的整体架构——LSSR（Lattice Stereo Super-Resolution），具有紧密耦合的结构设计。大量实验结果表明，该方法在性能上达到当前最优水平，同时显著降低了模型复杂度与计算资源消耗，展现出优异的竞争力。