基于带跳跃连接与网络中的网络的深度CNN的快速准确图像超分辨率
计算机视觉与模式识别
2020-09-09 v7
摘要
我们提出了一种高效且快速的单图像超分辨率（SISR）模型，使用深度卷积神经网络（Deep CNN）。深度CNN最近已展示出在单图像超分辨率上具有显著的重建性能。当前的趋势是使用更深的CNN层来改进性能。然而，深度模型需要更大的计算资源，并且不适合移动、平板和IoT等网络边缘设备。我们的模型通过具有残差网络、跳跃连接和网络中的网络（DCSCN）的深度CNN，以至少10倍更低的计算成本实现了最先进的重建性能。深度CNN与跳跃连接层的组合被用作局部和全局区域图像特征的特征提取器。并行化的1x1 CNN，如称为网络中的网络（Network in Network）的那种，也被用于图像重建。该结构减少了前一层输出的维度以更快计算且信息损失更少，并使直接处理原始图像成为可能。此外，我们优化了每个CNN的层数和滤波器数量以显著降低计算成本。因此，所提算法不仅实现了最先进的性能，还实现了更快高效的计算。代码可在 https://github.com/jiny2001/dcscn-super-resolution 获取。
引用
@article{arxiv.1707.05425,
title = {Fast and Accurate Image Super Resolution by Deep CNN with Skip Connection and Network in Network},
author = {Jin Yamanaka and Shigesumi Kuwashima and Takio Kurita},
journal= {arXiv preprint arXiv:1707.05425},
year = {2020}
}
备注
9 pages, 4 figures. This paper is accepted at 24th International Conference On Neural Information Processing (ICONIP 2017)