用于轻量级超分辨率的自校准高效 Transformer
计算机视觉与模式识别
2022-04-20 v1
摘要
近来，深度学习已成功应用于单图像超分辨率（SISR）并取得卓越性能。然而，大多数现有方法侧重于构建层数众多的更复杂网络，这会带来沉重的计算成本与内存存储负担。为解决此问题，我们提出轻量级自校准高效 Transformer（SCET）网络来解决该问题。SCET 的架构主要由自校准模块与高效 transformer 块组成，其中自校准模块采用像素注意力机制以有效提取图像特征。为进一步利用特征的上下文信息，我们采用高效 transformer 帮助网络在长距离上获取相似特征，从而恢复充足的纹理细节。我们提供了关于整体网络不同设置的全面结果。所提方法取得了比基线方法更显著的性能。源代码与预训练模型可在 https://github.com/AlexZou14/SCET 获取。
引用
@article{arxiv.2204.08913,
title = {Self-Calibrated Efficient Transformer for Lightweight Super-Resolution},
author = {Wenbin Zou and Tian Ye and Weixin Zheng and Yunchen Zhang and Liang Chen and Yi Wu},
journal= {arXiv preprint arXiv:2204.08913},
year = {2022}
}
备注
10 pages, 3 figures, CVPRWorkshop