面向可扩展单图像超分辨率的自适应图块退出机制
计算机视觉与模式识别
2022-07-22 v2
摘要
由于计算的未来是异构的，可扩展性是单图像超分辨率的一个关键问题。近期工作试图训练一个可以部署在具有不同算力平台上的网络。然而，它们依赖于逐像素稀疏卷积，这对硬件不够友好且实际加速有限。由于图像可以划分为具有不同恢复难度的图块，我们提出了一种基于自适应图块退出（APE）的可扩展方法，以实现更实用的加速。具体而言，我们提议训练一个回归器来预测每个图块在每一层的增量容量。一旦增量容量低于阈值，该图块即可在特定层退出。我们的方法可以通过改变增量容量的阈值轻松调整性能与效率之间的权衡。此外，我们提出了一种新颖的策略来实现我们方法的网络训练。我们在各种骨干网络、数据集和缩放因子上进行了大量实验，以证明我们方法的优势。代码可在 https://github.com/littlepure2333/APE 获取
引用
@article{arxiv.2203.11589,
title = {Adaptive Patch Exiting for Scalable Single Image Super-Resolution},
author = {Shizun Wang and Jiaming Liu and Kaixin Chen and Xiaoqi Li and Ming Lu and Yandong Guo},
journal= {arXiv preprint arXiv:2203.11589},
year = {2022}
}
备注
ECCV 2022 Oral