具有注意力辅助特征学习的轻量单图像超分辨率网络
计算机视觉与模式识别
2020-11-16 v1
摘要
尽管基于卷积网络的方法提升了单图像超分辨率（SISR）的性能，但巨大的计算成本限制了其实际适用性。本文中，我们基于所提出的注意力辅助特征（AF）开发了一种计算高效且准确的 SISR 网络。首先，为探索底层特征，将来自所有前续层的辅助特征投影到一个公共空间中。然后，为更好地利用这些投影后的辅助特征并过滤冗余信息，采用通道注意力基于当前层特征选择最重要的公共特征。我们将这两个模块整合进一个块中，并以轻量网络实现。在大规模数据集上的实验结果证明了所提模型相对于最先进（SOTA）超分辨率方法的有效性。值得注意的是，当参数量小于 320k 时，AF 在所有尺度上均优于 SOTA 方法，这证明了其更好地利用辅助特征的能力。代码见 https://github.com/wxxxxxxh/A2F-SR。
引用
@article{arxiv.2011.06773,
title = {Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning},
author = {Xuehui Wang and Qing Wang and Yuzhi Zhao and Junchi Yan and Lei Fan and Long Chen},
journal= {arXiv preprint arXiv:2011.06773},
year = {2020}
}
备注
Accepted by ACCV 2020