ShuffleMixer:一种高效的图像超分辨率卷积网络
计算机视觉与模式识别
2022-05-31 v1
摘要
轻量化和高效性是图像超分辨率(SR)算法实际应用的关键驱动因素。我们提出了一种简单而有效的方法 ShuffleMixer,用于轻量级图像超分辨率,其探索了大卷积与通道分割-混洗操作。与以往简单堆叠多个小核卷积或复杂算子来学习表示的 SR 模型不同,我们探索了一种用于移动端友好 SR 设计的大核 ConvNet。具体而言,我们基于通道分割与混洗开发了大深度可分离卷积和两个投影层作为基本组件,以高效混合特征。由于自然图像的上下文具有强烈的局部相关性,仅使用大深度可分离卷积不足以重建精细细节。为克服该问题同时保持所提模块的效率,我们引入 Fused-MBConvs 到所提网络中以建模不同特征的局部连通性。实验结果表明,所提 ShuffleMixer 在模型参数和 FLOPs 方面约为最先进方法的 1/6,同时取得了具有竞争力的性能。在 NTIRE 2022 中,我们的主体方法赢得了高效超分辨率挑战赛的模型复杂度赛道 [23]。代码可在 https://github.com/sunny2109/MobileSR-NTIRE2022 获取。
引用
@article{arxiv.2205.15175,
title = {ShuffleMixer: An Efficient ConvNet for Image Super-Resolution},
author = {Long Sun and Jinshan Pan and Jinhui Tang},
journal= {arXiv preprint arXiv:2205.15175},
year = {2022}
}
备注
Winner of the model complexity track in NTIRE2022 Efficient Super-Resolution Challenge, CVPR 2022. The code is available at https://github.com/sunny2109/MobileSR-NTIRE2022