用于单图像超分辨率的轻量级特征融合网络
计算机视觉与模式识别
2019-04-16 v2
摘要
随着卷积神经网络（CNN）变得更深更宽，单图像超分辨率（SISR）取得了巨大进展。然而，庞大的参数量阻碍了其在实际问题中的应用。在本文中，我们提出一种轻量级特征融合网络（LFFN），它能在最大化 SISR 结果的同时充分挖掘多尺度上下文信息并大幅减少网络参数。LFFN 建立在纺锤块和 softmax 特征融合模块（SFFM）之上。具体而言，纺锤块由维度扩展单元、特征探索单元和特征精炼单元组成。维度扩展层将低维扩展到高维，并隐式学习适用于下一单元的特征图。特征探索单元针对不同的特征图进行线性和非线性特征探索。特征精炼层用于融合和精炼特征。SFFM 以 softmax 函数自适应学习的方式融合来自不同模块的特征，以极小的参数代价充分利用层次化信息。在基准数据集上的定性和定量实验表明，LFFN 以相近的参数量取得了优于最先进方法的性能。
引用
@article{arxiv.1902.05694,
title = {Lightweight Feature Fusion Network for Single Image Super-Resolution},
author = {Wenming Yang and Wei Wang and Xuechen Zhang and Shuifa Sun and Qingmin Liao},
journal= {arXiv preprint arXiv:1902.05694},
year = {2019}
}
备注
Accepted by IEEE Signal Processing Letters (Volume:26, Issue:4, April 2019)