用于高效超分辨率的边缘增强特征蒸馏网络
计算机视觉与模式识别
2022-06-23 v2 图像与视频处理
摘要
随着卷积神经网络近来的大规模发展，众多轻量级基于 CNN 的图像超分辨率方法被提出，以在边缘设备上进行实际部署。然而，大多数现有方法聚焦于某一方面：网络或损失设计，这导致难以最小化模型尺寸。为解决该问题，我们归纳了模块设计、架构搜索与损失设计，以获得更高效的 SR 结构。在本文中，我们提出了一种边缘增强特征蒸馏网络，命名为 EFDN，以在受限资源下保留高频信息。具体而言，我们基于现有重参数化方法构建了边缘增强卷积块。同时，我们提出边缘增强梯度损失来校准重参数化路径的训练。实验结果表明，我们的边缘增强策略保留了边缘并显著提升了最终复原质量。代码可在 https://github.com/icandle/EFDN 获取。
引用
@article{arxiv.2204.08759,
title = {Edge-enhanced Feature Distillation Network for Efficient Super-Resolution},
author = {Yan Wang},
journal= {arXiv preprint arXiv:2204.08759},
year = {2022}
}
备注
Accepted to NTIRE workshop at CVPR 2022