面向图像去噪的单元级架构搜索训练
计算机视觉与模式识别
2022-12-14 v1 图像与视频处理
摘要
用于自动寻找最优网络架构的神经架构搜索(NAS)已在各类计算机视觉任务中以具竞争力的性能显示出一定成功。然而，NAS通常需海量计算，因此降低计算成本已成为重要问题。迄今多数尝试基于手动方法，且由此开发的架构常介于网络最优性与搜索成本之间。此外，近期用于图像复原的NAS方法一般未考虑可能改变特征图维度的动态操作，因为张量计算中的维度不匹配。这会极大限制NAS对最优网络结构的搜索。为解决这些问题，我们通过聚焦组件块层级重构最优搜索问题。已有工作表明，有效的去噪块串联可进一步提升网络性能。通过聚焦块层级，强化学习的搜索空间显著缩小，评估过程可更快速进行。此外，我们集成创新的维度匹配模块，以处理最优设计搜索中可能出现的空间与通道维度不匹配。这使得在单元块内的最优网络搜索具有很大灵活性。借助这些模块，我们采用强化学习在模块层级搜索最优图像去噪网络。我们所提去噪先验神经架构搜索(DPNAS)的计算效率体现为：仅用单块GPU一天即完成图像复原任务的最优架构搜索。
引用
@article{arxiv.2212.06368,
title = {Single Cell Training on Architecture Search for Image Denoising},
author = {Bokyeung Lee and Kyungdeuk Ko and Jonghwan Hong and Hanseok Ko},
journal= {arXiv preprint arXiv:2212.06368},
year = {2022}
}