AdderSR：面向高能效的图像超分辨率
图像与视频处理
2021-05-05 v7 计算机视觉与模式识别
摘要
本文研究使用加法神经网络（AdderNet）的单图像超分辨率问题。与卷积神经网络相比，AdderNet 利用加法计算输出特征，从而避免了传统乘法的大量能耗。然而，由于计算范式不同，很难直接将 AdderNet 在大规模图像分类上的现有成功继承到图像超分辨率任务中。具体而言，加法操作不易学习恒等映射，而这对图像处理任务至关重要。此外，AdderNet 无法保证高通滤波器的功能。为此，我们深入分析了加法操作与恒等映射之间的关系，并插入捷径以增强使用加法网络的超分辨率模型的性能。然后，我们开发了一种可学习的幂激活函数，用于调整特征分布并细化细节。在多个基准模型和数据集上的实验表明，我们使用 AdderNet 的图像超分辨率模型能够达到与其 CNN 基线相当的性能和视觉质量，同时能耗降低约 2。
引用
@article{arxiv.2009.08891,
title = {AdderSR: Towards Energy Efficient Image Super-Resolution},
author = {Dehua Song and Yunhe Wang and Hanting Chen and Chang Xu and Chunjing Xu and Dacheng Tao},
journal= {arXiv preprint arXiv:2009.08891},
year = {2021}
}