AsConvSR | NTIRE2023-RTSR-Track1冠军方案

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。
$$Score=\frac{2^{PSNR-bicubic}\cdot 2}{C\cdot \sqrt{runtime}}$$

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。

• Assembled Block 该思想源自LAPAR一文，一种动态卷积操作。

实验结果

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。

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

1. ChatGPT聊图像超分，总结确实挺到位，哈哈
2. 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
3. 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!
4. NAFNet ：无需非线性激活，真“反直觉”！但复原性能也是真强！
5. 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
6. ELAN | 比SwinIR快4倍，图像超分中更高效Transformer应用探索
7. CNN与Transformer相互促进，助力ACT进一步提升超分性能
8. CVPR2022 | Restormer: 刷新多个low-level任务指标
9. 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