Sep, 2019

基于信息多蒸馏网络的轻量级图像超分辨率

PDF
TL;DR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。
single image super-resolutiondeep convolution neural networkinformation multi-distillation networkcontrast-aware channel attention mechanismadaptive cropping strategy
发现论文，激发创造
  • IMDeception: 分组信息提取超分辨率网络

    本文提出了一种高效的单图像超分辨率 (SISR) 神经网络 IMDeception，使用一些机制如卷积和注意力等，以减少参数数量和浮点计算次数，并在 Jetson Xavier AGX 等边缘设备上得到实时应用。

    Apr, 2022

  • 信息蒸馏网络：快速、精准的单图像超分辨率

    本论文提出了一种深度但紧凑的卷积神经网络，通过特征提取、信息提炼和重构网络三部分组成，使用带有增强单元和压缩单元的信息提炼块提取局部长短路径特征，具有快速执行的优点，实验结果表明其在超分辨率方面优于现有方法，特别是时间表现。

    Mar, 2018

  • 轻量级图像超分辨率残差特征蒸馏网络

    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

  • 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

  • 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

  • 通过对比自蒸馏实现紧凑的单图像超分辨率

    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

  • 利用特权信息学习高效图像超分辨率

    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

  • DIPNet：图像超分辨率的效率蒸馏与迭代剪枝

    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

  • 图像超分辨率的迭代网络

    本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

    May, 2020

  • 学习单个卷积超分辨率网络以处理多种降质

    我们提出了一种使用维度扩展策略的通用框架，使单个卷积超分辨率网络能够将模糊核和噪声级别作为输入，从而处理多种甚至是空间变异的退化，从而显着提高了实用性。在合成和真实的低分辨率图像上的广泛实验结果显示，所提出的卷积超分辨率网络不仅可以产生多个退化结果，而且计算效率高，提供了一种高效和可扩展的解决方案，适用于实际的 SISR 应用。

    Dec, 2017