科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前,基于深度学习的超分辨算法已经取得了很好的性能.但是这些方法通常具有较大的内存消耗和较高的计算复杂度,很难应用到低算力或便携式设备上.为了解决这一问题,设计了一种轻量级的组-信息蒸馏残差网络用于快速且精确的单图像超分辨率.具体来说,提出一个更加有效的组-信息蒸馏模块,作为网络特征提取基本块.同时,引入密集快捷连接对多个基本块进行组合,构建组-信息蒸馏残差组,捕获多层级信息和有效重利用特征.另外,还提出一个轻量的非对称残差Non-local模块对长距离依赖关系进行建模,进一步提升超分的性能.最后,设计一个高频损失函数去解决像素损失带来图片细节平滑的问题.大量的实验证明了该算法相较于其他先进方法,可以在图像超分辨率性能和模型复杂度之间取得更好的平衡,其在公开测试数据集B100上4倍超分速率达到56FPS,比残差注意力网络快15倍.
- 单位
