前言：
论文题目：Blueprint Separable Residual Network for Efficient Image Super-Resolution
论文地址：Blueprint Separable Residual Network for Efficient Image Super-Resolution
论文源码：https://github.com/xiaom233/BSRN
关键字：BSRN–蓝图可分离残差网络

BSRN 是由 Zheyuan Li 等人提出的一种新的深度学习模型，专为图像超分辨率设计。该模型在 2022年计算机视觉与模式识别会议（CVPR）工作坊 上发表，并已作为开源项目发布。它引入了蓝图可分离残差块，旨在以较小的计算成本实现高质量的图像重建。

本文提出一种新的轻量化超分辨率网络 ——蓝图可分离残差网络（BSRN），从优化卷积操作和引入高效注意力模块两个角度提升网络效率。首先，顾名思义，BSRN 通过蓝图可分离卷积（BSConv） 构建基本网络模块，减少计算冗余。BSConv 是原始深度可分离卷积（DSConv）的改进变体，能更好地利用卷积核内相关性实现高效的卷积分离 ，本文的研究验证了 BSConv 对高效超分辨率任务的有效性。其次，已有研究表明，合适的注意力模块能提升高效超分辨率网络的性能，受此启发，本文引入增强空间注意力（ESA）和对比度感知通道注意力（CCA）两种高效注意力模块，进一步增强模型能力。

主要贡献如下：

1. 将 BSConv 引入超分辨率网络并构建基础模块，验证了其在超分辨率任务中的有效性；
2. 引入两种计算开销极低的高效注意力模块，显著增强了模型的特征表达能力；
3. 融合 BSConv 和高效注意力模块的 BSRN网络，在高效超分辨率任务中展现出远超现有方法的性能。

本文提出的 BSRN 和 BSRN-S 在参数量远低于其他对比模型的前提下，实现了更高的 PSNR，即兼顾了低计算复杂度和高重建质量，是图中综合表现最优的模型。

图 2：蓝图可分离残差网络（BSRN）的整体架构图

输入层：低分辨率（LR）图像经复制拼接后输入网络；
浅层特征提取：通过 BSConv 将 LR 图像映射为高维浅层特征F0​；
深层特征提取：堆叠多个 ESDB 模块，对浅层特征进行逐步细化，生成多深度的深层特征；
多层特征融合：将各 ESDB 输出的特征拼接，经 1×1 卷积、GELU 激活和 BSConv 细化后得到融合特征；
残差连接：将融合特征与浅层特征F0​逐元素相加，利用残差学习缓解深层网络的梯度消失问题；
图像重建：通过 3×3 卷积和像素重排操作，将融合后的特征映射为高分辨率（SR）图像；
核心模块：整个网络以 BSConv 和 ESDB 为核心，兼顾效率和特征表达能力。

本图展示了 BSRN 中核心模块与 RFDN 中对应模块的结构差异，以及 BSConv、ESA、CCA 的具体结构，各子图说明如下：
(a) RFDB：RFDN 中的残差特征蒸馏模块，是 ESDB 的设计基础；
(b) ESDB：本文提出的高效可分离蒸馏模块，在 RFDB 基础上将标准卷积替换为 BSConv，加入 ESA+CCA 注意力模块，效率更高；
© SRB：RFDB 中的浅层残差模块，以标准卷积为核心；
(d) BSRB：本文提出的蓝图浅层残差模块，以 BSConv 为核心，替换了 SRB 中的标准卷积，是 ESDB 的基础单元；
(e) ESA 模块：增强空间注意力模块，轻量化设计，从空间维度增强特征，本文将其中的标准卷积替换为 BSConv 以提升效率；
(f) CCA 模块：对比度感知通道注意力模块，从通道维度增强特征，利用对比度信息计算权重，性能优于传统通道注意力；
(g) BSConv：蓝图可分离卷积，由 1×1 逐点卷积 + 深度卷积构成，是深度可分离卷积的逆变体，能更好地利用卷积核内相关性，减少计算冗余。

BSRN网络整体框架主要有四个阶段：浅层特征提取、深度特征提取、多层特征融合、图像重建。上图b为高效可分离蒸馏模块ESDB，ESDB 主要由三个阶段构成：特征蒸馏、特征浓缩和特征增强。ESA和CCA分别从空间维度和**分别对特征进行增强，且计算开销极低。

4.1.1 数据集与评价指标
训练集：Flickr2K [36] 的 2650 张图像 + DIV2K [1] 的 800 张图像；
测试集：五个标准超分辨率基准数据集 ——Set5 [3]、Set14 [55]、B100 [41]、Urban100 [20]、Manga109 [42]；
评价指标：采用 Y 通道（亮度通道）的平均峰值信噪比（PSNR）和结构相似性（SSIM） 作为评价指标，符合超分辨率任务的通用评价标准。

4.1.2 BSRN 的实现细节

• 网络包含 8 个 ESDB 模块，通道数设置为 64；

• 所有深度卷积的核尺寸均为 3×3；

• 数据增强：随机旋转90°/180°/270°、水平翻转；

• 训练批次大小（batch size）=64，低分辨率输入图像块尺寸 = 48×48；

• 优化器：Adam [26]，β1​=0.9，β2​=0.999；

• 学习率：初始学习率1×10−3，采用余弦学习率衰减策略；

• 损失函数：L1​损失，训练迭代次数1×106；

• 实验平台：PyTorch 框架，2 块 GeForce RTX 3090GPU，训练耗时约 30 小时

图 4：×4 倍上采样下 BSRN 与当前最优方法在 Urban100 数据集上的视觉效果对比

1. 实验设置：选取 Urban100 数据集中的 img062、img092、img092 三张典型的复杂纹理图像，对比 BSRN与双三次插值（Bicubic）、FSRCNN、VDSR、IMDN、LapSRN、PAN、CARN、RFDN等方法的超分辨率重建视觉效果，并标注各方法重建结果的PSNR/SSIM值；
2. 视觉评价标准：Urban100数据集以建筑、城市景观为主，包含大量高频纹理、边缘和细节，是超分辨率任务的难例数据集，重建结果的细节还原度、边缘清晰度是核心评价指标；
3. 核心结论：
   1）本文提出的 BSRN 在三张图像上均实现了最高的 PSNR/SSIM 值，远超其他对比方法；
   2）视觉效果上，BSRN 重建的图像边缘更锐利、纹理更清晰、细节还原更完整，而其他方法存在不同程度的模糊、伪影或细节丢失（如双三次插值的严重模糊、VDSR 的边缘伪影）；
   3）验证了 BSRN 在复杂纹理图像上的超分辨率重建优势，兼顾了定量指标和视觉效果。

结论
本文提出了一种用于单幅图像超分辨率的轻量化网络 ——蓝图可分离残差网络（BSRN），该网络的设计灵感来源于残差特征蒸馏网络（RFDN）和蓝图可分离卷积（BSConv）。

BSRN 继承了 RFDN 的网络整体架构，但通过将 RFDN 中浅层残差模块（SRB）的标准卷积替换为 BSConv，设计了更高效的蓝图浅层残差模块（BSRB）；同时，引入 ** 增强空间注意力（ESA）和对比度感知通道注意力（CCA）** 两种高效注意力模块，在几乎不增加计算成本的前提下，显著增强了模型的特征表达能力。

大量的实验结果表明，与现有的高效超分辨率方法相比，BSRN 在参数量和乘加运算量更少的情况下，实现了更优的重建性能（更高的 PSNR/SSIM 和更好的视觉效果）。此外，本文提出的轻量化变体 BSRN-S 在2022 年 NTIRE 高效超分辨率挑战赛的模型复杂度赛道中斩获第一名，充分验证了所提方法的有效性和实用性。

项目技术分析
BSRN 的核心在于其 蓝图可分离残差结构。这种结构将传统的卷积层分解为分组卷积和深度卷积，大大降低了参数数量和计算复杂度。同时，通过引入残差学习机制，BSRN 能够更有效地优化网络并避免梯度消失问题，从而提高了训练效率和预测精度。

此外，BSRN 集成了 PyTorch 框架，并利用了 BasicSR，这是一个强大的图像超分辨率工具包，提供了一系列预处理和后处理功能，以及全面的训练和测试支持。

项目及技术应用场景
BSRN 可广泛应用于多个领域：
视频流媒体服务，提高低分辨率视频的质量。
移动设备上的图像增强，改善手机摄影体验。
医学成像，提升诊断图像的细节清晰度。
安防监控，增强低光照环境下的画面细节。