arXiv 2025新突破！树状结构+余弦卷积，轻量级SR网络TSRNet超越主流方法！

TSRNet适用于安防监控、卫星遥感、医学图像等高保真重建场景，尤其在边缘计算或实时处理场景中展现出较高实用性和部署价值。

1. 一眼概览

TSRNet提出一种树结构引导的卷积神经网络，通过融合分支层次信息、引入余弦变换和Adan优化器，实现对低分辨率图像的高质量超分辨率重建。

2. 核心问题

当前图像超分辨率方法在提取关键层次信息和优化训练过程中仍面临冗余信息干扰与梯度爆炸问题，导致图像恢复质量受限。如何构建高效结构并稳健训练模型，是提升超分辨率性能的关键挑战。

3. 技术亮点

1）树结构网络（TSRNet）：通过4个分支和3个融合模块，以二叉树形式组织网络，强化层次信息的表达与融合。

2）余弦卷积模块（CTMB）：利用Sharpened Cosine Similarity提取方向性显著特征，增强局部结构表达能力。

3）Adan优化器：基于Nesterov动量的优化策略，有效抑制梯度爆炸，加快训练收敛，提升模型泛化性。

4. 方法框架

图片

TSRNet整体流程如下：

• 4个树状分支模块：每个分支堆叠9个卷积+ReLU单元，前两分支含CTMB模块；

• 3个融合模块：逐级将分支输出通过残差和卷积融合，提炼有效结构特征；

• 重建模块：通过卷积和PixelShuffle操作生成高分辨率图像；

• 训练优化：采用MSE损失函数，结合Adan优化器加速训练。

5. 实验结果速览

• 在Set5数据集上 ×4 放大：TSRNet达到31.94dB/0.8915 SSIM，优于AFAN-S等主流方法。

• 在U100数据集上 ×4 放大：PSNR提升至26.00dB，相较无CTMB结构提升明显。

• 运行效率：在512×512图像上，TSRNet推理时间为35.68ms，优于EDSR（57.53ms）和ACNet（75.79ms）。

6. 实用价值与应用

TSRNet适用于安防监控、卫星遥感、医学图像等高保真重建场景，尤其在边缘计算或实时处理场景中展现出较高实用性和部署价值。

7. 开放问题

• 树结构深度与分支数量是否存在最优配置？能否自适应调整结构？

• 余弦变换模块能否替代全部卷积操作，构建纯方向感知网络？

• Adan优化策略能否泛化到其他视觉任务如去噪、压缩感知等？

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

四、AI大模型商业化落地方案

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量