2025年3月，我院教师周颖博士在国际期刊《Expert Systems With Applications》上以第一作者身份发表了论文“Hybrid CNN-transformer network with frequency-aware fusion for efficient single image super-resolution”。该期刊在人工智能与智能系统领域具有重要影响力，长期关注机器学习、计算机视觉与智能系统等前沿研究方向。
随着计算机视觉技术的快速发展，高质量图像在遥感监测、医学影像、视频监控以及智能制造等领域具有广泛需求。然而，受成像设备分辨率、传输带宽以及环境退化等因素影响，获取高分辨率图像仍然具有较大挑战。单幅图像超分辨率技术通过从低分辨率图像中重建高分辨率图像，为解决这一问题提供了有效途径。传统卷积神经网络（CNN）在捕捉图像局部纹理细节方面表现优异；而Transformer结构在建模全局依赖关系方面更具潜力，但其计算开销较大。
本研究针对上述问题，提出了一种融合卷积神经网络与Transformer优势的混合网络模型——Hybrid-former。该模型设计了频域感知融合模块，通过在通道维度上对特征进行动态划分，将高频信息与低频信息分别送入不同分支进行处理。随后，通过信息聚合网络对两类特征进行融合，使模型能够同时兼顾局部细节恢复与整体结构重建。在此基础上，进一步构建了基于U-Net结构的Hybrid-former网络框架，并在不同网络层级中动态调整CNN与Transformer的特征分配比例，该设计不仅充分发挥了两类模型的互补优势，同时显著降低了模型参数规模和计算开销，提高了整体计算效率。实验结果表明，该方法在多个公开基准数据集上均体现出良好的效率与性能平衡。
该研究成果为高效视觉重建模型的设计提供了崭新思路，同时也为智能视觉、遥感影像处理以及高清图像增强等领域提供了重要的技术支持。
Hybrid-former网络结构图