高效超分辨率的部分大核 CNN
计算机视觉与模式识别
2024-04-19 v1
摘要
最近在超分辨率 (SR) 领域, 由于能够处理长程依赖并根据实例自适应调整权重, Transformer 在更少的 FLOPs 和参数数量方面超过了 CNN。本文我们表明, 尽管当前 SR 领域较少关注 CNN, 但它们在直接效率衡量方面超过 Transformer。通过将 Transformer 的优势纳入 CNN, 我们旨在实现计算效率与性能提升的双重目标。然而, 在主要处理大图像的 SR 领域中, 使用大核会导致巨大的计算开销。为克服这一困难, 我们提出了创新的大核使用方法, 可将延迟降低约86% (与朴素大核比较), 并利用元素级注意力模块模拟实例相关联合权重。结果我们引入了用于高效超分辨率的部分大核 CNN (PLKSR), 在四个数据集上实现了 4 比例下的领先性能, 相较于 SRFormer-light, 延迟降低68.1%, 最大 GPU 内存占用降低80.2%。
关键词
引用
@article{arxiv.2404.11848,
title = {Partial Large Kernel CNNs for Efficient Super-Resolution},
author = {Dongheon Lee and Seokju Yun and Youngmin Ro},
journal= {arXiv preprint arXiv:2404.11848},
year = {2024}
}