通过对称 CNN 与递归 Transformer 的轻量级双模网络用于单图像超分辨率
计算机视觉与模式识别
2022-04-29 v1
摘要
随着深度学习的发展，单图像超分辨率（SISR）取得了显著突破。然而，这些方法难以应用于真实场景，因为它们不可避免地伴随复杂操作带来的计算与内存成本问题。为解决此问题，我们提出一种用于 SISR 的轻量级双模网络（LBNet）。具体而言，设计了一种有效的对称 CNN 用于局部特征提取与粗图像重建。同时，我们提出一种递归 Transformer 以充分学习图像的长期依赖，从而充分利用全局信息进一步细化纹理细节。研究表明 CNN 与 Transformer 的混合可构建更高效的模型。大量实验证明，我们的 LBNet 以相对较低的计算成本和内存消耗取得了优于其他最先进方法的显著性能。代码见 https://github.com/IVIPLab/LBNet。
引用
@article{arxiv.2204.13286,
title = {Lightweight Bimodal Network for Single-Image Super-Resolution via Symmetric CNN and Recursive Transformer},
author = {Guangwei Gao and Zhengxue Wang and Juncheng Li and Wenjie Li and Yi Yu and Tieyong Zeng},
journal= {arXiv preprint arXiv:2204.13286},
year = {2022}
}
备注
Accepted by IJCAI2022, short oral presentation