Sebica：轻量级空间与高效双向通道注意力超分辨率网络
图像与视频处理
2024-10-29 v1 计算机视觉与模式识别
摘要
单图像超分辨率（SISR）是改善低分辨率图像视觉质量的重要技术。虽然最近的深度学习模型在 SISR 方面取得了显著进展，但它们经常遇到计算挑战，阻碍了其在资源受限或时间敏感环境中的部署。为了克服这些问题，我们提出了 Sebica，这是一种结合了空间和高效双向通道注意力机制的轻量级网络。Sebica 在保持高重建质量的同时显著降低了计算成本，在 Div2K 和 Flickr2K 数据集上分别取得了 28.29/0.7976 和 30.18/0.8330 的 PSNR/SSIM 分数。这些结果超越了大多数基线轻量级模型，并与性能最高的模型相当，但仅使用了 17% 的参数和 15% 的 GFLOPs。此外，我们的小型版 Sebica 仅有 7.9K 参数和 0.41 GFLOPS，仅占性能最高模型参数和 GFLOPs 的 3%，而在 Flickr2K 数据集上仍分别达到 28.12/0.7931 和 0.3009/0.8317 的 PSNR 和 SSIM 指标。此外，Sebica 在实际应用中展现出显著改进，特别是在目标检测任务中，它提高了交通视频场景中的检测准确率。
引用
@article{arxiv.2410.20546,
title = {Sebica: Lightweight Spatial and Efficient Bidirectional Channel Attention Super Resolution Network},
author = {Chongxiao Liu},
journal= {arXiv preprint arXiv:2410.20546},
year = {2024}
}
备注
7 pages, 5 figures, 26 conferences