面向连续层级图像处理的更平滑网络调谐与插值

在基于卷积神经网络（CNN）的图像处理中，多数研究提出的网络针对单一层级（或单一目标）优化；因此它们在其他层级上表现不佳，且必须重新训练才能提供最优性能。使用多个模型覆盖多个层级会带来极高的计算成本。为解决这些问题，近期方法在两个不同层级上训练网络并提出各自的插值方法以实现任意中间层级。然而，其中许多方法在实用中泛化失败或具有某些副作用。在本文中，我们将这些框架定义为网络调谐与插值，并提出一种用于连续层级学习的新型模块，称为滤波过渡网络（FTN）。该模块比现有模块在结构上更平滑。因此，带有 FTN 的框架能在各类任务与网络上良好泛化，并引起更少不良副作用。为稳定 FTN 的学习，我们额外提出了一种以恒等映射初始化非线性神经网络层的方法。针对多种图像处理任务的广泛结果表明，FTN 在多个连续层级上的性能具有可比性，且明显比其他框架更平滑、更轻量。