用于轻量级图像超分辨率的混合像素反洗牌网络
图像与视频处理
2022-11-30 v3 计算机视觉与模式识别
摘要
卷积神经网络（CNN）在图像超分辨率（SR）上取得了巨大成功。然而，大多数基于深度CNN的SR模型需要大量计算才能获得高性能。对特征进行下采样以实现多分辨率融合是提高视觉识别性能的一种高效且有效的方法。但在SR任务中这有违直觉，因为SR需要将低分辨率输入投影到高分辨率。本文中，我们提出了一种新颖的混合像素反洗牌网络（HPUN），将一种高效的下采样模块引入SR任务。该网络包含像素反洗牌下采样与自残差深度可分离卷积。具体而言，我们利用像素反洗牌操作对输入特征进行下采样，并使用分组卷积来减少通道数。此外，我们通过将输入特征加到其输出上以增强深度卷积的性能。在基准数据集上的实验表明，我们的HPUN以更少的参数和计算成本实现并超越了最先进的重建性能。
引用
@article{arxiv.2203.08921,
title = {Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution},
author = {Bin Sun and Yulun Zhang and Songyao Jiang and Yun Fu},
journal= {arXiv preprint arXiv:2203.08921},
year = {2022}
}