基于信息蒸馏网络的快速精确单图像超分辨率
计算机视觉与模式识别
2018-03-28 v1
摘要
近年来，深度卷积神经网络（CNN）在单图像超分辨率方面取得了显著进展。然而，随着网络深度和宽度的增加，基于 CNN 的超分辨率方法在实际应用中面临计算复杂度和内存消耗的挑战。为了解决上述问题，我们提出了一种深度但紧凑的卷积网络，直接从原始低分辨率图像重建高分辨率图像。通常，所提出的模型由三部分组成，分别是特征提取块、堆叠的信息蒸馏块和重建块。通过将增强单元和压缩单元结合到蒸馏块中，可以有效地提取局部长短路径特征。具体而言，所提出的增强单元将两种不同类型的特征混合在一起，压缩单元为后续块蒸馏出更有用的信息。此外，由于每层滤波器数量相对较少以及分组卷积的使用，所提出的网络具有执行速度快的优点。实验结果表明，所提出的方法优于 SOTA 方法，尤其是在时间性能方面。
引用
@article{arxiv.1803.09454,
title = {Fast and Accurate Single Image Super-Resolution via Information Distillation Network},
author = {Zheng Hui and Xiumei Wang and Xinbo Gao},
journal= {arXiv preprint arXiv:1803.09454},
year = {2018}
}
备注
To appear in CVPR2018