用于实时高效图像超分辨率的快速最近邻卷积
图像与视频处理
2022-08-25 v1 计算机视觉与模式识别
摘要
基于深度学习的单图像超分辨率（SISR）方法已引起广泛关注，并在现代先进GPU上取得显著成功。然而，多数最先进方法需要海量参数、内存与计算资源，在应用于当前移动设备CPU/NPU时通常推理时间较差。本文提出一种带快速最近邻卷积模块（NCNet）的简易普通卷积网络，其对NPU友好且可实时执行可靠的超分辨率。所提最近邻卷积与最近邻上采样性能相同，但速度更快且更适配Android NNAPI。我们的模型可通过8-bit量化轻松部署于移动设备，并完全兼容所有主流移动AI加速器。此外，我们在移动设备上对不同张量操作进行了全面实验以阐明网络架构的高效性。我们的NCNet在DIV2K 3x数据集上训练与验证，与其他高效SR方法的对比表明NCNet在使用更少推理时间的同时可获得高保真SR结果。我们的代码与预训练模型公开于\url{https://github.com/Algolzw/NCNet}。
引用
@article{arxiv.2208.11609,
title = {Fast Nearest Convolution for Real-Time Efficient Image Super-Resolution},
author = {Ziwei Luo and Youwei Li and Lei Yu and Qi Wu and Zhihong Wen and Haoqiang Fan and Shuaicheng Liu},
journal= {arXiv preprint arXiv:2208.11609},
year = {2022}
}
备注
AIM & Mobile AI 2022