本文提出了一种硬件限制感知、极其轻量级、量化鲁棒、实时超分辨率网络 (XLSR),它是一种受到 root 模块的启发,旨在解决单图像超分辨率问题的建模方法,并在 Div2K 验证集上取得了超过 VDSR 的成果,在 2021 年移动 AI 实时单图像超分辨率挑战赛中得胜。
May, 2021
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
本文提出了一种基于线性过参数化的卷积神经网络的超高清图像重建模型,其在六个基准数据集上取得了类似或更好的图像质量,需要比现有模型少 2 倍至 330 倍的操作,适用于受限制的硬件并可用于实际移动设备上进行超高清图像重建。
Mar, 2021
本文提出一种卷积神经网络,该网络的特征图在低分辨率空间中提取,使用高效的子像素卷积层将最终的低分辨率特征图升级到高分辨率输出,从而有效地将手工设计的双三次滤波器替换为针对每个特征图训练的更复杂的上采样滤波器,同时降低总体超分辨率操作的计算复杂度。该方法的实验结果表明,它在图像和视频方面的表现都比以前的基于 CNN 的方法好得多,并且速度快了一个数量级。
Sep, 2016
基于参数无关的空间位移操作,我们提出了一种简单而有效的全 $1 imes1$ 卷积网络,名为 Shift-Conv-based Network (SCNet),在保持令人印象深刻的计算效率的同时,赋予全 $1 imes1$ 卷积网络强大的表示能力。大量实验证明,尽管结构为全 $1 imes1$ 卷积,SCNet 一致性地达到或超过使用常规卷积的现有轻量级超分辨率模型的性能。
Jul, 2023
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
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
探索超分辨率网络中的多种高效网络设计和组装卷积对于改善实时性能的应用,提出了一种快速、轻量级的超分辨率网络,并在 NTIRE 2023 实时超分辨率竞赛中获得第一名的优异效果,并可供此链接获取代码。
May, 2023
本研究提出了一种名为 MobiSR 的框架,针对超分辨率任务提供了高效的本地处理解决方案,其采用了模型压缩技术和新颖的调度器,在满足图像质量要求的前提下,实现最小处理延迟,与现有实现相比,可以达到 2.13 倍至 4.79 倍的加速。
Aug, 2019
本研究提出了一种用于单幅图像超分辨率的高精度方法,利用 VGG-net 进行训练,使用 20 个卷积层避免过拟合,训练方法基于小滤波器,只学习残差,并使用极高的学习率。实验表明,该方法在精度上优于现有方法。
Nov, 2015