EPNet：一种用于增强单图像超分辨率且降低计算需求的高效金字塔网络
计算机视觉与模式识别
2023-12-22 v1
摘要
单图像超分辨率 (SISR) 通过深度学习的整合取得了显著进展。然而，现有方法的大量计算和内存需求往往限制了其实际应用。本文提出了一种新的高效金字塔网络 (Efficient Pyramid Network, EPNet)，该网络将边缘分割金字塔模块 (Edge Split Pyramid Module, ESPM) 与全景特征提取模块 (Panoramic Feature Extraction Module, PFEM) 有机融合，以克服现有方法的局限性，特别是在计算效率方面。ESPM 采用基于金字塔的通道分离策略，在保持计算效率的同时提升特征提取能力。PFEM 融合了 CNN 与 Transformer 结构，能够同时提取局部和全局特征，从而提供图像景观的全景视图。我们的架构以促进特征信息流畅交换的方式集成 PFEM，并允许进一步细化图像纹理细节。实验结果表明，我们的模型在图像分辨率质量上优于现有的 SOTA 方法，同时大幅降低了计算和内存开销。本研究有助于高效实用的 SISR 方法的持续发展，对计算机视觉领域具有更广泛的意义。
引用
@article{arxiv.2312.13396,
title = {EPNet: An Efficient Pyramid Network for Enhanced Single-Image Super-Resolution with Reduced Computational Requirements},
author = {Xin Xu and Jinman Park and Paul Fieguth},
journal= {arXiv preprint arXiv:2312.13396},
year = {2023}
}