探索图像超分辨率中的稀疏性以实现高效推理
计算机视觉与模式识别
2021-04-02 v2
摘要
当前基于 CNN 的超分辨率（SR）方法对所有位置同等处理，计算资源在空间上均匀分配。然而，由于低分辨率（LR）图像中缺失的细节主要存在于边缘和纹理区域，那些平坦区域所需的计算资源较少。因此，现有基于 CNN 的方法在平坦区域涉及冗余计算，这增加了其计算成本并限制了其在移动设备上的应用。在本文中，我们探索图像 SR 中的稀疏性以提升 SR 网络的推理效率。具体而言，我们提出了一种稀疏掩码 SR（SMSR）网络来学习稀疏掩码以剪枝冗余计算。在我们的 SMSR 中，空间掩码学习识别“重要”区域，而通道掩码学习标记那些“不重要”区域中的冗余通道。因此，冗余计算可被准确定位并跳过，同时保持可比的性能。结果表明，我们的 SMSR 取得了最先进的性能，在 x2/3/4 SR 中分别减少了 41%/33%/27% 的 FLOPs。代码见：https://github.com/LongguangWang/SMSR。
引用
@article{arxiv.2006.09603,
title = {Exploring Sparsity in Image Super-Resolution for Efficient Inference},
author = {Longguang Wang and Xiaoyu Dong and Yingqian Wang and Xinyi Ying and Zaiping Lin and Wei An and Yulan Guo},
journal= {arXiv preprint arXiv:2006.09603},
year = {2021}
}
备注
Accepted by CVPR 2021