SESR：基于递归压缩激励网络的单图像超分辨率
计算机视觉与模式识别
2018-02-01 v1
摘要
单图像超分辨率是一项非常重要的计算机视觉任务，具有广泛的应用。近年来，超分辨率模型的深度不断增加，但性能提升甚微，却带来了巨大的计算量和内存消耗。在这项工作中，为使超分辨率模型更高效，我们提出了一种基于递归压缩激励网络（SESR）的新型单图像超分辨率方法。通过引入压缩激励模块，我们的 SESR 能够建模通道间的相互依赖与关系，从而使模型更高效。此外，模型中的递归结构与渐进式重建方法最小化了层数与参数，并使 SESR 能在单一模型中同时训练多尺度超分辨率。在四个基准测试集上评估后，我们的模型在速度和精度上均被证明优于当前最优（SOTA）方法。
引用
@article{arxiv.1801.10319,
title = {SESR: Single Image Super Resolution with Recursive Squeeze and Excitation Networks},
author = {Xi Cheng and Xiang Li and Ying Tai and Jian Yang},
journal= {arXiv preprint arXiv:1801.10319},
year = {2018}
}
备注
Preprint version with 6 pages for ICPR18