用于改进轻量级图像超分辨率网络的自适应重要性学习
计算机视觉与模式识别
2018-06-06 v1
摘要
深度神经网络在单图像超分辨率（SISR）中取得了显著成功。然而，这些方法的算力和内存需求阻碍了其向具有有限算力的广泛真实设备的应用。解决此问题的一个途径是平衡超分辨率性能与计算负担的轻量级网络架构。在本研究中，我们从一个正交视角重审该问题，并提出一种新颖的学习策略，以最大化给定轻量级网络架构的逐像素拟合能力。考虑到轻量级网络的初始能力非常有限，我们提出一种用于 SISR 的自适应重要性学习方案，该方案基于训练损失动态更新图像像素的重要性，以由易到复杂的范式训练网络。具体而言，我们将网络训练与重要性学习公式化为一个联合优化问题。借助精心设计的的重要性惩罚函数，单个像素的重要性可通过求解一个凸优化问题逐步增加。因此训练过程从易于重建的像素开始，并随拟合改善逐渐推进至更复杂的像素。
引用
@article{arxiv.1806.01576,
title = {Adaptive Importance Learning for Improving Lightweight Image Super-resolution Network},
author = {Lei Zhang and Peng Wang and Chunhua Shen and Lingqiao Liu and Wei Wei and Yanning Zhang and Anton van den Hengel},
journal= {arXiv preprint arXiv:1806.01576},
year = {2018}
}
备注
16 pages