编辑 | Happy
首发 | AIWalker
链接 | https://mp.weixin.qq.com/s/p9u6RYkd37MmN12rUCMCuQ
前段时间,NTIRE2023各个竞赛落下帷幕,近期各个冠亚军方案提出者也在逐步公开方案细节。今天给大家概要介绍一下"RTSR-Track1"赛道冠军方案,方案提出者来自华为诺亚与华为海思。
AsConvSR
由于竞赛同时关注PSNR与推理耗时(计算方式如下),所以网络结构的设计尤其要关注下耗时因素的影响。
![alt](https://img-blog.csdnimg.cn/img_convert/98a8d5c3af7c4aa8dbb7c270b21f4568.png)
AsConvSR网络结构非常的简单,需要关注的有两个:
-
PixelUnShuffle 该操作有助于减少网络整体推理耗时,它与超分领域常用的PixelShuffle为互逆操作。
![alt](https://img-blog.csdnimg.cn/img_convert/a4bc990a1e837b1684a6436611bc042d.png)
-
Assembled Block 该思想源自LAPAR一文,一种动态卷积操作。
![alt](https://img-blog.csdnimg.cn/img_convert/e65736d6fb194e2f848766c1442c6c15.png)
实验结果
![alt](https://img-blog.csdnimg.cn/img_convert/b92184011871a8ffa338408656c46bd9.png)
![alt](https://img-blog.csdnimg.cn/img_convert/d00a02edfde1bd550795428a0550991c.png)
![alt](https://img-blog.csdnimg.cn/img_convert/0338c7bd2bb927efde7a87093a292a7b.png)
上图为所提方案与近年来轻量化网络的统计信息对比,重建效果对比。总体来说,AsConvSR在竞赛指标方面确实存在非常明显的优势。
![alt](https://img-blog.csdnimg.cn/img_convert/d5fff1bd80396141dbaf860168be93d9.png)
上表给出了竞赛前五方案的指标信息对比,所提方案优势还是挺明显的,^_^
推荐阅读
-
ChatGPT聊图像超分,总结确实挺到位,哈哈 -
大核分解与注意力机制的巧妙结合,图像超分多尺度注意网络MAN -
CVPR2023 | 非局部注意力、局部自注意力、样条注意力协同助力图像复原达成新 SOTA! -
NAFNet :无需非线性激活,真“反直觉”!但复原性能也是真强! -
CVPR 2022 Oral | MLP进军底层视觉!谷歌提出MAXIM模型刷榜多个图像处理任务 -
ELAN | 比SwinIR快4倍,图像超分中更高效Transformer应用探索 -
CNN与Transformer相互促进,助力ACT进一步提升超分性能 -
CVPR2022 | Restormer: 刷新多个low-level任务指标 -
Transformer在图像复原领域的降维打击!ETH提出SwinIR:各项任务全面领先
本文由 mdnice 多平台发布