クロススケール非局所アテンションと包括的自己例証マイニングを用いた画像スーパーアンプリフィケーション

深層畳み込みベースの単一画像超解像（SISR）ネットワークは、大規模な外部画像リソースからの学習により局所的な復元性能を向上させる利点を有しているが、現存する大多数の研究では自然画像に内在する長距離の特徴間類似性を無視している。近年の一部の研究では、非局所的アテンションモジュールを用いることで、このような内在的な特徴相関を有効に活用している。しかし、現行の深層モデルは、画像にさらなる本質的な性質である「スケール間特徴相関（cross-scale feature correlation）」に注目した研究は一切存在しない。本論文では、再帰型ニューラルネットワークに統合された、初めての「スケール間非局所（Cross-Scale Non-Local: CS-NL）」アテンションモジュールを提案する。本研究では、新たなCS-NL事前知識と、局所的および同スケール内非局所的事前知識を強力な再帰的融合セル（recurrent fusion cell）で統合することで、単一の低解像度（LR）画像内においてより多くのスケール間特徴相関を捉えることが可能となる。すべての可能な事前知識を包括的に統合することにより、SISRの性能が顕著に向上する。広範な実験により、提案するCS-NLモジュールの有効性が実証され、複数のSISRベンチマークにおいて新たな最先端（state-of-the-art）性能を達成した。