edge-SR：面向大众的超分辨率技术

经典的图像缩放（例如双三次插值）可以看作一个卷积层和一个上采样滤波器。其实现普遍存在于所有显示设备和图像处理软件中。在过去十年中，深度学习系统被引入用于图像超分辨率（SR）任务，使用了多个卷积层和大量滤波器。这些方法在放大任务的图像质量基准测试中已占据主导地位。是否有可能在边缘设备（如显示面板、平板电脑、笔记本电脑等）上用深度学习架构取代经典的上采样器？一方面，当前边缘AI芯片的趋势显示了这一方向的广阔前景，能够高效运行深度学习任务的硬件正在快速发展。另一方面，在图像超分辨率领域，只有少数架构将尺寸推向了极小的极限，从而能够在边缘设备上实时运行。我们探索了解决这一问题的可能方案，旨在弥合经典上采样器与小型深度学习配置之间的差距。作为从经典上采样到深度学习上采样的过渡，我们提出了edge-SR（eSR），这是一组使用可解释机制来放大图像的单层架构。当然，单层架构无法达到深度学习系统的质量。然而，我们发现，在高速要求下，eSR在图像质量与运行时性能的权衡方面表现更优。填补经典架构与深度学习架构在图像放大方面的差距，对于该技术的大规模应用至关重要。同样重要的是拥有一个可解释的系统，它能够揭示解决此问题的内部策略，并指导我们进行未来的改进和对更大网络的更好理解。