用于图像超分辨率的高效非局部对比注意力
计算机视觉与模式识别
2022-03-11 v2 人工智能
摘要
非局部注意力（NLA）通过利用自然图像中固有的特征相关性，为单图像超分辨率（SISR）带来了显著改进。然而，NLA赋予噪声信息较大权重，且相对于输入尺寸消耗二次方的计算资源，限制了其性能和适用。本文提出一种新颖的高效非局部对比注意力（ENLCA）来进行长距离视觉建模并利用更相关的非局部特征。具体而言，ENLCA由两部分组成：高效非局部注意力（ENLA）和稀疏聚合。ENLA采用核方法近似指数函数并获得线性计算复杂度。对于稀疏聚合，我们将输入乘以放大因子以聚焦于信息性特征，但近似的方差呈指数增长。因此，应用对比学习进一步分离相关与无关特征。为证明ENLCA的有效性，我们在一个简单骨干网络中加入少量我们的模块，构建了称为高效非局部对比网络（ENLCN）的架构。大量实验结果表明，ENLCN在定量和定性评估上均达到了优于最先进方法的性能。
引用
@article{arxiv.2201.03794,
title = {Efficient Non-Local Contrastive Attention for Image Super-Resolution},
author = {Bin Xia and Yucheng Hang and Yapeng Tian and Wenming Yang and Qingmin Liao and Jie Zhou},
journal= {arXiv preprint arXiv:2201.03794},
year = {2022}
}
备注
Code is available at https://github.com/Zj-BinXia/ENLCA