AAAIDec, 2022

特征交互加权混合网络实现高效图像超分辨率

PDF
TL;DR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。
single-image super-resolutiondeep learningfeature interaction weighted hybrid networkwide-residual distillation interaction blockstransformer
发现论文，激发创造
  • 用于轻量级图像超分辨的特征蒸馏交互加权网络

    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。

    Dec, 2021

  • 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

  • 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

  • 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

  • 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

  • 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

  • 单幅图像超分辨率的混合残差注意力网络

    通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。

    Jul, 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

  • 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