【Block总结】SAFMN，空间自适应调制与局部特征增强的协同设计|即插即用

论文信息

标题：Spatially-Adaptive Feature Modulation for Efficient Image Super-Resolution
论文链接：https://arxiv.org/pdf/2302.13800
代码与模型 ：https://github.com/sunny2109/SAFMN

创新点

空间自适应特征调制（SAFM）：通过独立计算多尺度特征并动态聚合，实现非局部特征依赖的高效建模[6][8]。
卷积通道混合器（CCM）：在SAFM基础上补充局部上下文信息，同时完成通道混合，提升局部特征表达能力[6][13]。
轻量化设计：模型参数量仅为同类高效超分方法（如IMDN）的1/3，内存占用更低，适用于低功耗设备[6][9]。

方法

整体架构：

特征提取：使用卷积层将低分辨率图像映射到特征空间。
特征混合模块（FMM）：由SAFM和CCM组成，堆叠多个FMM模块进行特征增强。
重建模块：通过上采样生成高分辨率图像[6][10][16]。

核心模块细节：

SAFM层 ：
- 通过多分支结构学习不同尺度特征，动态调整空间权重以融合全局信息。
- 类似ViT的非局部建模能力，但计算复杂度更低[10][13]。
CCM模块 ：
- 使用深度可分离卷积提取局部特征，减少参数量。
- 引入通道注意力机制优化特征通道关系[6][13]。

效果与实验结果

定量评估：

在Set5、Set14等基准数据集上，SAFMN在PSNR/SSIM指标上与IMDN等模型相当，但参数量减少70%[6][9]。
在NTIRE2023高效超分挑战赛中：
- 基础版SAFMN获整体性能赛道Top6，模型复杂度赛道Top3[7]。
- 改进版SAFMN++在NTIRE2024挑战赛的保真度赛道排名第一[7]。

效率优势：

参数量：SAFMN为0.95M，IMDN为3.2M[6][9]。
内存占用：相比IMDN减少50%，适合移动端部署[6][8]。

总结

SAFMN通过空间自适应调制与局部特征增强的协同设计，在超分任务中实现了精度与效率的平衡。其轻量化特性使其在低功耗设备（如手机、嵌入式系统）中具有实际应用潜力。后续改进版本（如SAFMN++）进一步验证了该框架的可扩展性[7][17]。

代码

python 复制代码

import torch
import torch.nn as nn
import torch.nn.functional as F

# Spatially-Adaptive Feature Modulation
class SAFM(nn.Module):
    def __init__(self, dim, n_levels=4):
        super().__init__()
        self.n_levels = n_levels
        chunk_dim = dim // n_levels

        # Multiscale feature representation
        self.mfr = nn.ModuleList([nn.Conv2d(chunk_dim, chunk_dim, 3, 1, 1, groups=chunk_dim, bias=False) for i in range(self.n_levels)])

        # Feature aggregation
        self.aggr = nn.Conv2d(dim, dim, 1, 1, 0, bias=False)

        # Activation
        self.act = nn.GELU()

    def forward(self, x):
        h, w = x.size()[-2:]

        xc = x.chunk(self.n_levels, dim=1)
        out = []
        for i in range(self.n_levels):
            if i > 0:
                p_size = (h//2**(i+1), w//2**(i+1))
                s = F.adaptive_max_pool2d(xc[i], p_size)
                s = self.mfr[i](s)
                s = F.interpolate(s, size=(h, w), mode='nearest')
            else:
                s = self.mfr[i](xc[i])
            out.append(s)

        out = self.aggr(torch.cat(out, dim=1))
        # Feature modulation
        out = self.act(out) * x
        return out


if __name__ == "__main__":
    if __name__ == '__main__':
        # 定义输入张量大小（Batch、Channel、Height、Wight）
        B, C, H, W = 1, 64, 40, 40
        input_tensor = torch.randn(B, C, H, W)  # 随机生成输入张量
        # 初始化 SAFM
        dim = C  # 输入和输出通道数
        # 创建 SAFM 实例
        block = SAFM(dim=dim)
        # 如果GPU可用将模块移动到 GPU
        device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
        sablock = block.to(device)
        print(sablock)
        input_tensor = input_tensor.to(device)
        # 执行前向传播
        output = sablock(input_tensor)
        # 打印输入和输出的形状
        print(f"Input: {input_tensor.shape}")
        print(f"Output: {output.shape}")

输出结果：