Un equipo de investigadores ha desarrollado una nueva red de super-resolución basada en transformadores para mejorar la calidad de las imágenes subterráneas de minas de carbón, que suelen presentar un deterioro significativo debido a la iluminación hostil, el polvo y el movimiento de la maquinaria.
La red, denominada BDL (Bidirectional Adaptive Interaction-based Deep Learning), emplea una arquitectura jerárquica que incluye extracción de características superficiales, bloques transformadores espaciales y canales en cascada, y un módulo de reconstrucción. Cada bloque transformador incorpora un módulo de interacción adaptativa bidireccional (BAIM) que fusiona características locales convolucionales con representaciones globales basadas en transformadores mediante un ponderado adaptativo en ambas dimensiones espaciales y de canal.
Además, el enfoque utiliza una red feedforward de doble grupo (DGFN) que desacopla la preservación de características de canal de la mejora de información espacial, mientras que las interacciones entre grupos garantizan un modelado equilibrado de canales y percepción espacial sin pérdida de información. Un bloque convolucional local (LCB) con ponderación de canal basada en SE se emplea para restaurar detalles finos.
En pruebas realizadas tanto en un conjunto de datos dedicado a minas de carbón como en benchmarks públicos, el método demostró un rendimiento superior frente a las técnicas existentes de super-resolución. Para una ampliación de ×2, logró un PSNR/SSIM de 32.07/0.9688, superando el mejor resultado anterior en 0.59 dB y 0.0036, respectivamente. Para ×4, alcanzó 28.10/0.8836, mejorando el récord previo en 0.24 dB y 0.0013.
