Apr, 2019

自适应加权学习网络轻量级图像超分辨率

PDF
TL;DR本研究提出了一种自适应加权超分辨率网络（AWSRN），其中包括局部融合块（LFB）和自适应加权多尺度（AWMS）模块，以提高超分辨率任务中的效率和性能。实验结果表明，AWSRN 取得了比当前最先进的方法更好的性能，并且具有轻便的特点。
deep learningsuper-resolutionlightweight networkadaptive weighted multi-scaleefficiency
发现论文，激发创造
  • 轻量级多尺度特征交互网络图像超分辨率

    本文提出了一种轻量级多尺度特征交互网络（MSFIN）用于图像超分辨率，通过扩展感受野和利用来自各种尺度的低分辨率观察图像的信息特征以及交互连接。此外，设计了一种轻量级的循环残差通道注意块（RRCAB）以便使网络受益于通道注意机制同时保持足够轻量级。与现有技术相比，本文所提出的 MSFIN 能够以更轻量的模型实现可比性能。

    Mar, 2021

  • s-LWSR：超轻量级超分辨率网络

    通过建立信息池、使用压缩模块和去除激活层，本文提出了一个超轻量级的超分辨率网络 s-LWSR，以减少参数数量和操作次数，在保持性能的同时，在移动设备上部署 DL-SR 模型时具有明显的优势。

    Sep, 2019

  • 用于高效超分辨率的残差局部特征网络

    本文提出了一种新的残差本地特征网络 (RLFN) 方法，通过使用三个卷积层进行残差本地特征学习来简化特征聚合，同时伴随着改进的对比损失和训练策略，该方法在保持 SR 的 PSNR 和 SSIM 的同时显著优于所有最先进的高效图像 SR 模型。

    May, 2022

  • 特征交互加权混合网络实现高效图像超分辨率

    本文介绍了一种用于单张图像超分辨率重建的神经网络模型 FIWHN，通过将 WDIB 组成 FSWG、WCRW 和 WIRW 单元、WRDC 框架和 SCF 单元等方式，解决了模型复杂度高、中间特征丢失等问题，并引入了 Transformer，实现了 CNN 和 Transformer 的新型组合，结果表明 FIWHN 能够在性能和效率之间取得良好的平衡，更有利于下游任务解决低像素场景中的问题。

    Dec, 2022

  • 基于辅助特征学习的轻量级单图像超分辨率网络

    通过提出的关注辅助特征（A^2F）为基础，我们开发了一种计算效率高但准确性良好的网络以用于单幅图像超分辨率（SISR）处理，并且在大规模数据集上的实验结果证明了该模型的有效性。

    Nov, 2020

  • 基于对称 CNN 和递归变换器的轻量级单图像超分辨率双模型网络

    本文提出了一种 Lightweight Bimodal Network (LBNet) 方法，它基于 Symmetric CNN 和 Recursive Transformer 实现了高效的单图像超分辨率 (SISR)，相对于同类算法，该方法在计算成本和内存消耗较低的情况下实现了更明显的性能提升。

    Apr, 2022

  • 用于轻量级单图像超分辨率的动态残差自注意力网络

    本文提出了一种动态残差自注意力网络 (DRSAN) 用于轻量级单图像超分辨率，着重于建筑块之间的残差连接的自动设计，该网络通过动态残差关注 (DRA) 调整它的结构以适应输入统计数据，并进一步使用残差自注意力 (RSA) 模块提高性能。实验结果表明，DRSAN 在 SISR 的网络性能与计算复杂度之间提供了有效的权衡。

    Dec, 2021

  • 基于多注意力的超轻量级图像超分辨率

    本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。

    Aug, 2020

  • 超锐利：使用残差稠密网络进行单幅图像超分辨率研究

    该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。

    Apr, 2023

  • 单图像超分辨率轻量级特征融合网络

    该研究提出一种轻量级特征融合网络 (LFFN)，利用主轴块和 softmax 特征融合模块 (SFFM) 来实现全面探索多尺度上下文信息、极大地降低网络参数而最大化单幅图像超分辨率 (SISR) 结果。

    Feb, 2019