用于基于核插值架构参数缩减的多编码器网络
计算机视觉与模式识别
2022-05-16 v1
摘要
视频帧插值涉及从现有帧合成新帧。卷积神经网络（CNNs）一直处于该领域近期进展的前沿。一种流行的基于 CNN 的方法涉及将生成的核应用于输入帧以获得插值帧。尽管插值方法具有诸多优势，但许多此类网络需要大量参数，参数越多意味着计算负担越重。缩减模型规模通常会对性能产生负面影响。本文提出了一种针对流行的无流基于核的网络（Adaptive Collaboration of Flows）的参数缩减方法。通过我们移除需要最多参数的层并将其替换为更小的编码器的技术，我们减少了网络的参数数量，甚至相比原始方法取得了更好的性能。这是通过部署旋转来迫使每个独立编码器从输入图像中学习不同特征来实现的。我们进行了消融实验以论证设计选择，并给出了我们的方法在完整长度视频上表现的评估。
引用
@article{arxiv.2205.06723,
title = {Multi-encoder Network for Parameter Reduction of a Kernel-based Interpolation Architecture},
author = {Issa Khalifeh and Marc Gorriz Blanch and Ebroul Izquierdo and Marta Mrak},
journal= {arXiv preprint arXiv:2205.06723},
year = {2022}
}
备注
Paper accepted in NTIRE: New Trends in Image Restoration and Enhancement CVPR 2022 Workshop