Effificient Non-Local Contrastive Attention for Image Super-Resolution (用于图像超分辨率的有效的非局部对比注意)
AAAI2022
作者
Shunzhou Wang1*, Tianfei Zhou2∗ , Yao Lu1† , Huijun Di1
所属组织
1 Beijing Key Laboratory of Intelligent Information Technology,
School of Computer Science and Technology, Beijing Institute of Technology, China
2 Computer Vision Laboratory, ETH Zurich, Switzerland、
论文地址:https://arxiv.org/abs/2201.03794
项目地址:暂无
面对的问题
Non-Local Attention (NLA) 通过利用自然图像中的内在特征相关性,为单图像超分辨率 (SISR) 带来了显着的改进。然而,NLA 赋予噪声信息很大的权重,并且相对于输入大小消耗二次计算资源,限制了其性能和应用。
解决思路
在本文中,作者提出了一种新颖的高效非局部对比注意 (ENLCA) 来执行远程视觉建模并利用更多相关的非局部特征。具体来说,ENLCA 由两部分组成,Efficient Non-Local Attention (ENLA) 和 Sparse Aggregation。 ENLA采用核方法逼近指数函数,得到线性计算复杂度。对于稀疏聚合,作者将输入乘以放大因子以专注于信息特征,但近似方差呈指数增长。因此,对比学习被应用于进一步分离相关和不相关的特征。
本文的目标是聚合所有重要的相关特征,保持非局部模的稀疏性,并大大降低其计算代价。
闪光点
<