基于自适应加权学习网络的轻量级图像超分辨率
计算机视觉与模式识别
2019-04-05 v1
摘要
近年来，深度学习已成功应用于单图像超分辨率（SISR）任务并取得优异性能。然而，大多数基于卷积神经网络的超分辨率模型计算量大，限制了其实际应用。本文提出一种名为自适应加权超分辨率网络（AWSRN）的轻量级超分辨率网络用于 SISR 以解决该问题。AWSRN 中设计了一种新颖的局部融合块（LFB）用于高效残差学习，其由堆叠的自适应加权残差单元（AWRU）与局部残差融合单元（LRFU）组成。此外，提出自适应加权多尺度（AWMS）模块以充分利用重建层中的特征。AWMS 由若干不同尺度卷积组成，冗余尺度分支可根据 AWMS 中自适应权重的贡献移除，以实现网络轻量化。在常用数据集上的实验结果表明，所提轻量级 AWSRN 在 x2、x3、x4 及 x8 尺度因子下以相近参数量与计算开销取得了优于 SOTA 方法的性能。代码见：https://github.com/ChaofWang/AWSRN
引用
@article{arxiv.1904.02358,
title = {Lightweight Image Super-Resolution with Adaptive Weighted Learning Network},
author = {Chaofeng Wang and Zheng Li and Jun Shi},
journal= {arXiv preprint arXiv:1904.02358},
year = {2019}
}
备注
9 pages, 6 figures