CubeFormer：轻量级图像超分辨率的简单而有效的基线
计算机视觉与模式识别
2024-12-04 v1
摘要
轻量级图像超分辨率（SR）方法旨在使用轻量级神经网络提高图像分辨率并恢复细节。然而，现有轻量级SR方法仍存在性能不足和细节不佳的问题。我们的分析揭示，这些方法受限于特征多样性不足，严重影响特征表示和细节恢复。为响应此问题，我们提出一种简单却有效的基线方法CubeFormer，通过完成整体信息聚合来增强特征丰富性。具体而言，我们引入立方注意力（cube attention），将二维注意力扩展至三维空间，以促进全面信息相互作用，进一步鼓励全面信息提取，推动特征多样性。此外，我们注入块状和网格采样策略，以构建局部立方转换器块（Intra-CTB）和全局立方转换器块（Inter-CTB），分别进行局部和全局建模。大量实验表明，CubeFormer在常用SR基准数据集上实现了最先进的性能。我们的源代码和模型将公开可用。
引用
@article{arxiv.2412.02234,
title = {CubeFormer: A Simple yet Effective Baseline for Lightweight Image Super-Resolution},
author = {Jikai Wang and Huan Zheng and Jianbing Shen},
journal= {arXiv preprint arXiv:2412.02234},
year = {2024}
}