Integrasi Pendekatan Transformer dalam Jaringan Group Convolutional untuk Optimasi Super-Resolusi Citra

Abstract

Single Image Super-Resolution (SISR) merupakan salah satu tantangan krusial dalam pengolahan citra digital, di mana tujuan utamanya adalah mengubah citra beresolusi rendah menjadi citra beresolusi tinggi dengan detail yang tajam dan akurasi visual yang tinggi. Di era digital saat ini, kebutuhan akan citra berkualitas tinggi sangat mendesak di berbagai bidang, mulai dari diagnosa medis yang membutuhkan interpretasi detail citra MRI dan CT scan, hingga aplikasi pengawasan keamanan dan hiburan digital yang mengandalkan ketajaman visual. Beragam pendekatan berbasis Convolutional Neural Network (CNN) seperti Enhanced Group Convolutional Neural Network (EGCNN) telah banyak dikembangkan, namun keterbatasannya dalam menangkap hubungan jarak jauh antar piksel membatasi hasil rekonstruksi. Di sisi lain, metode Transformer dengan mekanisme self-attention efektif memodelkan konteks global, tetapi kompleksitas komputasi menjadi tantangan tersendiri. Oleh karena itu, penelitian ini mengusulkan integrasi Efficient Transformer (ET) ke dalam arsitektur EGCNN. Integrasi ini menggabungkan keunggulan EGCNN dalam ekstraksi fitur lokal menggunakan group convolution dengan kemampuan ET dalam menangkap informasi global secara efisien. Evaluasi dilakukan dengan metrik Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index (SSIM) pada dataset pengujian (Set5, Set14, BSD100, Urban100). Hasil penelitian menunjukkan bahwa integrasi ET meningkatkan performa model secara signifikan dibandingkan baseline EGCNN, terutama pada skala pembesaran ×2, sekaligus menawarkan alternatif kompetitif dan efisien terhadap model-model SISR terkini.