DIPNet:图像超分辨率的效率蒸馏与迭代剪枝
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
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
本文提出一种准确且轻量的深度学习网络结构用于图像超分辨率问题,该网络结构采用级联机制并在残差网络上实现,实验证明即使使用较少的参数和运算,该模型的性能与最先进的方法相当。
Mar, 2018
本文提出了一个高效的生成对抗网络模型用于在需要可靠的视觉流来监视任务、处理远程操作或研究相关视觉细节的环境中支持机器人任务的单图像超分辨率,并通过定制的网络架构和模型量化使其在 CPU 和 Edge TPU 设备上达到高达 200 fps 的快速推断,同时进一步通过将其知识压缩至网络的较小版本来优化我们的模型,并与标准训练方法进行比较,得出显著的性能改善结果。我们的实验结果表明,相比于更重型的现有模型,我们的快速轻量模型在保持极高图像质量的同时,具有显著的优势,在带宽降级的图像传输方面的应用潜力也值得进一步挖掘。
Sep, 2022
本文提出了一种深度 Laplacian 金字塔超分辨率网络,通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构,实现了较高的图像质量和运行时间。
Oct, 2017
本研究旨在扩展残差网络的优点,如快速训练,用于低级视觉问题,即单个图像超分辨率,通过引入跳跃连接和逐渐改变网络形状的策略,该方法在单个图像超分辨率上取得了最新的 PSNR 和 SSIM 结果,并产生了视觉上令人愉悦的结果。
Mar, 2017
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
提出一种单卷积神经网络通用的方法,在推理时可以切换图像分辨率,从而可以选择满足各种计算资源限制的运行速度。用该方法训练的网络称为分辨率切换网络(RS-Nets)。通过多分辨率蒸馏和知识蒸馏,RS-Nets 在各种分辨率下的准确性得到了提高。
Jul, 2020
通过对神经网络进行峰值内存降低,我们提出了残差编码蒸馏(ReDistill)技术来在边缘设备上部署具有有限内存预算的神经网络。我们的方法不仅适用于图像分类问题,而且在基于扩散的图像生成中也有出色表现。
Jun, 2024