IJCAIMay, 2021

通过对比自蒸馏实现紧凑的单图像超分辨率

PDF
TL;DR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。
convolutional neural networkssuper-resolutioncontrastive self-distillationknowledge transfercompression
发现论文，激发创造
  • 使用深度卷积神经网络的压缩图像超分辨率重建

    本文提出了一种基于深度卷积神经网络的端到端训练模型，用于对压缩图像进行超分辨率重建和压缩伪影去除，实验证明该模型在 JPEG 压缩图像上表现出优异的超分辨率性能和比 JPEG 更好的速率 - 失真性能。

    Sep, 2017

  • 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

  • 基于信息多蒸馏网络的轻量级图像超分辨率

    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

  • 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

  • 深度卷积网络图像超分辨率

    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

  • 利用增强感知超分辨率网络分析感知 - 失真权衡

    本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

    Nov, 2018

  • 深度图像超分辨率模型压缩

    本研究使用三阶段的工作流对深度超分辨率模型进行压缩，通过教师 - 学生知识蒸馏和新设计的蒸馏损失函数来保持恢复性能，以实现大幅降低模型大小和浮点运算量，同时保持与原始模型和其他常用超分辨率方法相媲美的竞争性超分辨率性能。

    Dec, 2023

  • 通过深层和浅层卷积神经网络实现端到端图像超分辨率

    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

  • 加速超分辨率卷积神经网络

    本研究致力于加速 Super-Resolution Convolutional Neural Network，并提出了一个紧凑的 hourglass-shape CNN 结构，以实现更快，更好的图像超分辨率，通过在网络末端添加反卷积层并缩小输入特征维度和采用更小的滤波器尺寸和更多的映射层，实现了超过 40 倍的速度提升和优越的恢复质量。

    Aug, 2016

  • 基于对比表示学习的盲目图像超分辨率

    设计了一种名为 CRL-SR 的网络进行盲超分辨率重建，可以有效应对多模式、空间变量和未知分布的图像降质，其应用了对比度表示学习和对比度特征强化两种策略，并在实验中验证了其在超分辨率重建上的优越性。

    Jul, 2021