固定 FLOP 数下超参数化 HyperNetworks 实现快速神经图像增强
计算机视觉与模式识别
2021-05-19 v1 神经与进化计算
摘要
深度卷积神经网络可增强小型移动相机传感器所拍摄的图像，并在去马赛克、去噪和超分辨率等任务上表现出色。然而，出于移动设备上的实际使用，这些网络常需要过多 FLOPs，且减少卷积层的 FLOPs 也会减少其参数量。鉴于近期发现严重过参数化神经网络往往泛化最佳，这是有问题的。本文提出使用 HyperNetworks 打破标准卷积中 FLOPs 与参数的固定比例。这使得我们能在 >10 倍减少 FLOPs 的情况下，于 Zurich RAW-to-DSLR (ZRR) 数据集上在 SSIM 与 MS-SSIM 上超越先前最先进架构。在 ZRR 上我们进一步观察到在固定 FLOPs 下、大图像极限中与“双下降”行为一致的泛化曲线。最后我们展示相同技术可应用于现有网络（VDN）以降低其计算成本，同时在 Smartphone Image Denoising Dataset (SIDD) 上保持保真度。附录中给出了关键函数的代码。
引用
@article{arxiv.2105.08470,
title = {Overparametrization of HyperNetworks at Fixed FLOP-Count Enables Fast Neural Image Enhancement},
author = {Lorenz K. Muller},
journal= {arXiv preprint arXiv:2105.08470},
year = {2021}
}