信息蒸馏网络:快速、精准的单图像超分辨率
该论文提出了一种轻量级信息多蒸馏网络(IMDN),通过构建包含蒸馏和选择性融合部分的级联信息多蒸馏块(IMDB),并使用自适应裁剪策略(ACS)来处理任何大小的图像,实现任意比例的超分辨率,同时利用中提出的对比度感知通道注意机制来评估候选特征的重要性,并将它们聚合起来。大量实验证明,该方法在视觉质量、内存占用和推理时间方面优于现有技术。
Sep, 2019
文章提出了一个新的多阶段轻量级网络增强方法,利用加强的高分辨率输出作为轻量级学生网络的附加监督,进一步简化网络结构并采用有效的轻量级网络训练策略,实现了在 NTIRE 2023 高效超分辨率挑战赛中的最快推理时间,同时保持竞争力超分辨率性能。
Apr, 2023
本文提出一种对卷积神经网络进行压缩和加速的新型对比自蒸馏框架。利用通道分割技术构建且压缩学习后的模型,通过显式知识传递和对比损失来提高超分辨率图像和 PSNR / SSIM 的质量。
May, 2021
本文提出一种深度学习方法用于图像超分辨率,采用卷积神经网络直接将低分辨率图片转换为高分辨率图片,能够实现较快的速度和超强的恢复质量,扩展支持三种颜色通道同时处理。
Dec, 2014
本文提出了一个高效的生成对抗网络模型用于在需要可靠的视觉流来监视任务、处理远程操作或研究相关视觉细节的环境中支持机器人任务的单图像超分辨率,并通过定制的网络架构和模型量化使其在 CPU 和 Edge TPU 设备上达到高达 200 fps 的快速推断,同时进一步通过将其知识压缩至网络的较小版本来优化我们的模型,并与标准训练方法进行比较,得出显著的性能改善结果。我们的实验结果表明,相比于更重型的现有模型,我们的快速轻量模型在保持极高图像质量的同时,具有显著的优势,在带宽降级的图像传输方面的应用潜力也值得进一步挖掘。
Sep, 2022
本文提出了一种基于特征蒸馏连接(FDC)的轻量级单图像超分辨率模型,即残差特征蒸馏网络(RFDN),它使用多个特征蒸馏连接来学习更具区分性的特征表示,同时提出了浅残差块(SRB)作为 RFDN 的主要构建块,通过大量实验证明,与现有的最先进方法相比,所提出的 RFDN 在性能和模型复杂度方面有更好的折衷效果,并在 AIM 2020 高效超分辨率挑战赛中获得了第一名。
Sep, 2020
使用深度卷积神经网络(Deep CNN)的单幅图像超分辨率(SISR)模型,包括残差网络、跳跃连接和网络中的网络(DCSCN),结合局部和全局特征提取器和并行 1x1 卷积神经网络实现了具有至少 10 倍较低计算成本的最好的图像重建性能,优化了每个 CNN 层和滤波器的数量,以显著降低计算成本。
Jul, 2017
本文介绍了一种基于卷积神经网络的图像超分辨率方法 ——FSRCNN,该方法使用极小的网络参数达到了良好的效果,并使用一种新颖的蒸馏框架,通过教师和学生网络进行高分辨率的重建,大大提升了网络性能。
Jul, 2020
本文提出通过结合 block devising、architecture searching 和 loss design,构建轻量级卷积神经网络(CNN)来提高图像超分辨率质量。我们提出了一种名为 EFDN 的边缘增强特征蒸馏网络,在受限资源下保留高频信息。该方法构建了基于现有重参数方法的边缘增强卷积模块,并提出了边缘增强梯度损失来校准重参数路径训练。实验结果表明,提出的边缘增强策略能够保留边缘并显著提高最终恢复质量。
Apr, 2022
本文提出了一种新的图像超分辨率方法,该方法使用端到全部可训练的深度卷积神经网络来联合学习特征提取、上采样和高分辨率重建模块,同时在潜在特征空间中进行上采样,并通过多尺度 HR 重建以获得更精确的图像恢复,进一步实现了不同网络设计在图像超分辨率中的贡献并为未来的研究提供了更多见解。
Jul, 2016