王若然1. 项目概述
在计算机视觉领域，超分辨率重建技术一直是个热门研究方向。最近我们团队在CVPR26上发表的这篇论文，提出了一种名为UCAN（Unified Convolutional Attention Network）的新型网络架构，专门针对轻量级超分辨率任务中的感受野扩展问题。这个工作的核心价值在于：在保持模型轻量化的同时，通过创新的注意力机制有效扩大了卷积神经网络的感受野，从而显著提升了图像超分辨率的重建质量。
传统超分辨率网络面临一个典型困境：要获得高质量重建结果，通常需要构建非常深的网络结构，但这会导致模型参数量爆炸，难以在移动端或嵌入式设备上部署。而轻量级网络虽然参数量少，但由于感受野有限，往往难以捕捉图像中的长距离依赖关系，导致重建细节不够精细。我们的UCAN网络正是为解决这一矛盾而设计的。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心思路与技术突破
2.1 感受野扩展的关键挑战
感受野（Receptive Field）在视觉任务中至关重要，它决定了网络能够"看到"多大范围的输入信息。对于超分辨率任务而言，更大的感受野意味着网络能够利用更广泛的上下文信息来重建细节，这对于恢复高频成分特别重要。然而，传统扩展感受野的方法主要有两种：
- 增加网络深度：通过堆叠更多卷积层来扩大感受野，但会导致模型复杂度急剧上升
- 使用空洞卷积：虽然能保持参数量不变，但会引入网格伪影问题
这两种方法在轻量级模型设计中都存在明显缺陷。我们的UCAN网络通过统一卷积注意力机制，实现了在不显著增加参数量的情况下，有效扩展感受野的目标。
2.2 统一卷积注意力网络架构
UCAN的核心创新在于将标准卷积运算与注意力机制进行了深度融合，设计了一种新型的统一卷积注意力模块。这个模块包含三个关键组件：
- 深度可分离卷积基座：作为基础特征提取器，确保模型轻量化
- 多尺度上下文聚合分支：通过并行支路捕获不同尺度的上下文信息
- 通道-空间联合注意力：动态调整特征图中重要区域和通道的权重
这种设计使得网络能够自适应地聚焦于输入图像中最相关的区域，同时通过多尺度处理有效扩大了感受野。特别值得一提的是，我们提出的注意力机制是直接嵌入到卷积运算中的，而不是像传统方法那样作为独立模块添加，这大大提高了计算效率。