用于轻量级图像超分辨率的 Fully $1\times1$ 卷积网络
计算机视觉与模式识别
2024-03-13 v2 人工智能
摘要
深度模型在单图像超分辨率（SISR）任务上取得了显著进展，尤其是具有大核（ 或更大）的大模型。然而，此类模型巨大的计算开销阻碍了其部署在实时、资源受限的环境中。相反， 卷积带来了可观的计算效率，却难以聚合局部空间表征，而这是 SISR 模型必备的能力。针对这一矛盾，我们提出调和 与 核的优势，并挖掘其在轻量级 SISR 任务上的巨大潜力。具体而言，我们提出一种简洁而高效的全 卷积网络，称为基于移位卷积的网络（Shift-Conv-based Network, SCNet）。通过引入无参数空间移位操作，它使全 卷积网络具备强大的表征能力，同时保持优异的计算效率。大量实验表明，尽管 SCNet 具有全 卷积结构，其性能始终匹配甚至超越采用常规卷积的现有轻量级 SR 模型。代码与预训练模型可在 https://github.com/Aitical/SCNet 获取。
引用
@article{arxiv.2307.16140,
title = {Fully $1\times1$ Convolutional Network for Lightweight Image Super-Resolution},
author = {Gang Wu and Junjun Jiang and Kui Jiang and Xianming Liu},
journal= {arXiv preprint arXiv:2307.16140},
year = {2024}
}
备注
Accepted by Machine Intelligence Research, DOI: 10.1007/s11633-024-1401-z