《Connection Science》：DBFF-SRNet: an image super-resolution method based on dual-branch encoding and frequency-domain fusion
编辑推荐：
本文提出DBFF-SRNet模型，通过双分支编码结构分别提取图像结构特征与纹理特征，结合空间-光谱联合融合模块（处理空间错位与光谱差异）与小波金字塔频域增强模块（多尺度分解高频细节与低频结构），在Set5/Set14/BSD100/Urban100数据集上实现PSNR（峰值信噪比）达32.55?dB、SSIM（结构相似性）0.8927、LPIPS（学习感知图像块相似度）0.0574的优越性能，显著提升超分辨率图像的视觉质量与结构连贯性，为多模态图像重建提供新思路。
DBFF-SRNet：双分支频域融合超分辨率网络的创新架构与性能突破
随着遥感成像、医学影像和计算机视觉等领域对高分辨率图像需求日益增长，图像超分辨率技术成为提升图像质量的关键手段。然而，现有方法常在细节恢复与结构保持之间面临权衡，且难以有效融合多模态信息。针对这些挑战，本文提出DBFF-SRNet（双分支频域融合超分辨率网络），通过独立编码结构纹理特征、空间-光谱联合融合及小波金字塔频域增强，实现多模态特征的高效整合与细节恢复。
结构保持编码模块：双分支设计破解特征干扰难题
DBFF-SRNet采用双分支编码架构，分别处理低分辨率图像及其边缘先验信息。结构编码器通过残差卷积模块提取几何轮廓特征，结合边缘引导机制（公式3）强化轮廓表达能力；纹理编码器则通过深度卷积网络挖掘细节模式。该设计将结构（如边缘方向、空间排列）与纹理（如高频细节）解耦，避免相互干扰，为后续融合提供清晰的特征表示（公式1-5）。
空间-光谱联合融合模块：跨模态对齐与自适应加权
针对多模态特征的空间错位与光谱差异，该模块引入非刚性形变场估计网络（公式6），通过轻量级编码器-解码器结构预测像素偏移量，将结构特征与纹理特征进行空间校正。同时，通道注意力机制（公式7）动态调整光谱通道权重，结合空间注意力（公式8）增强关键区域响应。最终通过残差连接与批归一化（公式9-10）输出融合特征，在Urban100数据集上将空间对齐误差从2.48像素降至0.48像素，PSNR提升0.48?dB。
小波金字塔高频增强模块：频域分解赋能细节恢复
该模块对融合特征进行多级小波分解（公式11），分离低频结构成分（L）与高频细节成分（H1至Hn）。专设子网络分别增强各频段特征：高频子网络优化纹理细节，低频子网络维持结构稳定性（公式12-13）。通过逆小波变换重建特征（公式14）并与原始特征残差连接（公式15），实现细节与结构的协同优化。实验表明，该模块在蝴蝶翅膀微纹理等场景中显著提升边缘连续性与斑点分布真实性。
实验验证：多维度性能领先
在Set5、Set14、BSD100和Urban100数据集上的定量评估显示，DBFF-SRNet在PSNR、SSIM和LPIPS指标上均优于主流方法（如SRFormer、DTWSR、CAAT等）。例如在Set5上PSNR达32.55?dB，较次优方法提升0.35?dB；在Urban100的×8超分辨率任务中，LPIPS低至0.1440，凸显其高频细节恢复优势。可视化结果进一步证实，该模型在建筑网格结构、玻璃反光纹理等复杂场景中保持更优的结构连贯性与视觉自然度。
模型效率与泛化能力平衡
DBFF-SRNet参数量为7.8?M，计算成本55.1?GFLOPs，在保持竞争力的推理速度（35.9?ms）的同时，其参数量-性能曲线优于同类模型。热力图分析表明，该模型在跨数据集测试中表现稳定，归一化性能在Set5、Set14、BSD100和Urban100上分别达0.936、0.929、0.917和0.907，显著优于DTWSR（Urban100仅0.789）等模型。
局限性与未来方向
当前模型尚未在真实退化图像或医疗影像领域充分验证，且计算复杂度对实时应用构成挑战。未来工作可探索自适应频域学习、跨模态语义引导及轻量化架构优化，以拓展其在工业场景中的适用性。
DBFF-SRNet通过双分支编码、空间-光谱融合与频域增强的协同设计，为图像超分辨率研究提供了兼顾结构保持与细节增强的创新范式，为多模态视觉任务奠定了技术基础。
