Dec, 2023

高效单图像超分辨率的百千字节查找表

PDF
TL;DR本文介绍了一种新型的百千字节查找表（HKLUT）模型，通过利用两个不对称分支的多级网络以及一套专门的核心模式，解决了存储难题，并在硬件效率上表现出卓越的性能。
super-resolutionlookup tableconvolutional neural networkson-chip cachehardware efficiency
发现论文，激发创造
  • 高效影像修复中的查找表优化

    高清屏幕、图像增强、边缘设备、查找表和硬件推理是本研究的主要关键词和研究领域。

    Mar, 2024

  • 基于重构卷积模块的查找表高效图像超分辨率

    本文介绍一种称为 RCLUT 的 LUT 方法，通过提出重构卷积模块来增加 LUT 的有效感受野大小，并在多个基准数据集上表现出更好的性能。

    Jul, 2023

  • 使用高效子像素卷积神经网络的实时单图像和视频超分辨率

    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

  • 可学习的空间感知三维查找表实时图像增强器

    本文提出了一种基于可学习的空间感知三维查找表（3D LUTs）的实时图像增强器，它充分考虑了全局情况和局部空间信息，通过在端到端的方式中的权重融合学习 3D LUT 并将其用于以有效的方式将源图像转换为目标色调，该模型在公共数据集上主观上和客观上均优于 SOTA 图像增强方法，并且仅使用一个 NVIDIA V100 GPU 即可在 4ms 内处理 4K 分辨率图像。

    Aug, 2021

  • 实时高性能照片增强的基于图像自适应的三维查找表学习

    该论文介绍了一种学习图像自适应 3D 查找表以实现快速和强大的照片增强方法，该方法学习多个 3D LUTs 基础，同时使用小型卷积神经网络 (CNN) 以内容相关的方式自适应的融合多个基础 3D LUTs 并处理 4K 的图像仅需不到 2 毫秒。在性能和计算效率方面超越了现有的照片增强方法。

    Sep, 2020

  • 高效超分辨率的部分大核心卷积神经网络

    在超分辨率领域中，本文介绍了一种新的方法，通过将 Transformers 的优势引入 CNNs，实现了既具备计算效率又具备增强性能的 Partial Large Kernel CNNs。

    Apr, 2024

  • 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

  • LUTNet：学习 FPGA 配置以实现高效神经网络推理

    使用 LUTNet 框架可以在 FPGA 上构建面积高效、节能的神经网络加速器，实现了在几个标准网络模型的推断过程中比二元化神经网络实现更高的面积效率、相当的精度和更高的能量效率。

    Oct, 2019

  • 面向真实世界的单张图像超分辨率：新的基准和新的模型

    本文提出了一种基于 Laplacian 金字塔的核预测网络（LP-KPN）来恢复高分辨率图像，通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集，证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果，且模型能够适应不同的相机设备。

    Apr, 2019

  • 网络量化中的迭代查找表训练

    本研究介绍了一种叫做 LUT-Q 的训练方法，它可以学习一个字典并将每个权重分配给字典中的一个值，以减少深度神经网络的内存和计算需求。我们的实验结果表明，LUT-Q 比其他同种量化位宽的方法表现更好，并提出了一种无乘法器批归一化的算法。

    Nov, 2018