AAAIDec, 2021

用于轻量级图像超分辨的特征蒸馏交互加权网络

PDF
TL;DR本文介绍了一种轻量级、高效的特征蒸馏相互加权网络（FDIWN），其利用一系列经过特殊设计的特征洗牌加权组（FSWG）作为骨架，多个新颖的 Wide-residual Distillation Interaction Blocks（WDIB）组成 FSWG。通过引入 Wide Identical Residual Weighting（WIRW）单元和 Wide Convolutional Residual Weighting（WCRW）单元来实现更好的特征蒸馏。此外，提出了 Wide-Residual Distillation Connection（WRDC）框架和 Self-Calibration Fusion（SCF）单元，以更灵活、更高效地相互作用不同尺度的特征。大量实验证明，相较于其他模型，FDIWN 在模型性能与效率之间取得了良好的平衡。
convolutional neural networkssuper-resolutionfeature distillationinteraction blocksefficiency
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 自适应加权学习网络轻量级图像超分辨率

    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。

    Apr, 2019

  • 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

  • 用于高效超分辨率的边缘增强特征蒸馏网络

    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

  • 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

  • 基于距离加权的 Transformer 网络用于图像补全

    本文提出了一种新的架构，利用基于距离加权变换器的方法 (DWT) 来更好地理解图像组成部分之间的关系，并结合卷积神经网络 (CNNs) 和 DWT 块的优势来增强图像完成过程，通过编码全局依赖并计算基于距离加权的特征图，有效减少了视觉的歧义问题。同时，引入了残差快速傅里叶卷积 (Res-FFC) 块来结合编码器的跳跃特征与生成器提供的粗糙特征，进一步改进了对重复纹理的生成，同时还提出了一种简单有效的技术来归一化卷积的非零值，并通过细调网络层来规范梯度范数，提供了一个高效的训练稳定器。通过在三个具有挑战性的数据集上进行广泛的定量和定性实验，证明了我们提出的模型相比现有方法的优越性。

    Oct, 2023

  • 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