用于轻量级图像超分辨率的残差特征蒸馏网络
图像与视频处理
2020-09-25 v1 计算机视觉与模式识别
摘要
单图像超分辨率（SISR）的近期进展探索了卷积神经网络（CNN）的能力以取得更好性能。尽管基于CNN的方法取得巨大成功，但由于需要繁重计算，这些方法不易应用于边缘设备。为解决此问题，已提出多种快速且轻量级的CNN模型。信息蒸馏网络是最先进的方法之一，其采用通道分割操作来提取蒸馏特征。然而，该操作如何有助于高效SISR模型的设计尚不够清晰。本文中，我们提出特征蒸馏连接（FDC），其在功能上等价于通道分割操作，同时更轻量且灵活。得益于FDC，我们可以重新思考信息多蒸馏网络（IMDN）并提出一种称为残差特征蒸馏网络（RFDN）的轻量且准确的SISR模型。RFDN使用多个特征蒸馏连接来学习更具判别力的特征表示。我们还提出浅残差块（SRB）作为RFDN的主要构建块，使网络能最大程度受益于残差学习，同时仍足够轻量。大量实验结果表明，所提RFDN在性能与模型复杂度方面相对于最先进方法取得了更好的权衡。此外，我们提出增强型RFDN（E-RFDN）并在AIM 2020高效超分辨率挑战赛中获第一名。代码将发布于https://github.com/njulj/RFDN。
引用
@article{arxiv.2009.11551,
title = {Residual Feature Distillation Network for Lightweight Image Super-Resolution},
author = {Jie Liu and Jie Tang and Gangshan Wu},
journal= {arXiv preprint arXiv:2009.11551},
year = {2020}
}
备注
accepted by ECCV2020 AIM workshop