面向单图像超分辨率的层次化神经架构搜索
计算机视觉与模式识别
2020-08-26 v3
摘要
深度神经网络在图像超分辨率（SR）中展现出有前景的性能。大多数 SR 模型遵循层次化架构，既包含计算块的单元级设计，也包含上采样块位置的网络级设计。然而，设计 SR 模型严重依赖人类专家经验且非常耗费人力。更关键的是，这些 SR 模型通常包含大量参数，可能不满足实际应用中计算资源的要求。为解决上述问题，我们提出层次化神经架构搜索（HNAS）方法，以自动设计满足不同计算成本需求的前景架构。为此，我们设计了一个层次化 SR 搜索空间，并提出一种用于架构搜索的层次化控制器。该层次化控制器能够同时找到前景的单元级块和网络级上采样层位置。此外，为设计具有前景性能紧凑架构，我们构建了联合奖励，综合考虑性能与计算成本以引导搜索过程。在五个基准数据集上的大量实验证明了我们的方法相对于现有方法的优越性。
引用
@article{arxiv.2003.04619,
title = {Hierarchical Neural Architecture Search for Single Image Super-Resolution},
author = {Yong Guo and Yongsheng Luo and Zhenhao He and Jin Huang and Jian Chen},
journal= {arXiv preprint arXiv:2003.04619},
year = {2020}
}
备注
This paper is accepted by IEEE Signal Processing Letters