利用增强型学习化分组卷积的高效单图像超分辨率
计算机视觉与模式识别
2018-08-28 v1
摘要
卷积神经网络（CNNs）已在单图像超分辨率（SISR）问题上展现出优异的结果。目前，大多数 CNN 算法倾向于采用深层且计算昂贵的模型来解决 SISR。然而，我们提出了一种计算量相对较少的新型 SISR 方法。在训练时，我们得到了移除未使用连接的分组卷积。我们通过从原始 CondenseNet 中去除不必要的模块，针对当前任务专门优化了该系统。此外，为了上采样到高分辨率，使用了由反卷积层组成的重建网络。所有这些步骤显著减少了测试时所需的计算量。与此同时，将双三次上采样输入加到网络输出中以便于学习。我们的模型命名为 SRCondenseNet。我们使用多个基准数据集对该方法进行了评估，并表明其在精度和所需计算量方面均优于最先进的方法。
引用
@article{arxiv.1808.08509,
title = {Efficient Single Image Super Resolution using Enhanced Learned Group Convolutions},
author = {Vandit Jain and Prakhar Bansal and Abhinav Kumar Singh and Rajeev Srivastava},
journal= {arXiv preprint arXiv:1808.08509},
year = {2018}
}
备注
Accepted in International Conference on Neural Information Processing (ICONIP 2018)