在AIM 2020高效SR挑战赛上,分别在内存使用,FLOPs和参数数量上获得了第一,第三和第四名,优于CBPN和CARN等。
Ultra Lightweight Image Super-Resolution with Multi-Attention Layers
论文: https:// arxiv.org/abs/2008.1291 2
作者单位:庆熙大学, 祥明大学
注:如果上述论文链接无法访问,可以看文末,论文已上传至百度云,方便下载。
轻量级图像超分辨率(SR)网络对于现实应用具有最重要的意义。有几种基于深度学习的SR方法具有出色的性能,但是它们的内存和计算成本却在实际使用中受到阻碍。为了解决此问题,我们提出了一种多注意力特征融合超分辨率网络(MAFFSRN)。
MAFFSRN由提出的特征融合组(FFG)组成,这些特征融合组用作特征提取模块。
每个FFG都包含一堆提出的多注意块(MAB),它们以新颖的特征融合结构进行组合。此外,具有成本效益的注意力机制(CEA)的MAB帮助我们使用多种注意力机制来完善和提取特征。
实验结果
全面的实验表明,我们的模型优于现有的最新技术。我们使用MAFFSRN模型参加了AIM 2020高效SR挑战,并在内存使用率,浮点运算(FLOP)和参数数量上分别获得了第一,第三和第四名。
论文下载
链接: https:// pan.baidu.com/s/1oSra21 qkeewfysW7USQOSA
提取码:3p3i
强烈推荐大家关注CVer知乎账号和CVer微信公众号,可以快速了解到最新优质的CV论文。
推荐阅读
冠军解决方案 | RMGL:用于行人重识别的感受野多粒度表示
VarifocalNet:IoU-aware 密集目标检测器(已开源)
ECCV 2020 | NAS-DIP:通过NAS实现DIP(去噪/去雾/超分辨率/修复等)
TIP 2020 | PNEN:金字塔Non-Local增强型网络
综述 | 小样本学习:全面调研(Few-shot)
MiCo:用于半监督域自适应的Mixup联合训练
使用深度神经网络从Noisy Labels中学习:全面调研
PyTorch3D:面向3D计算机视觉的PyTorch工具箱
剪枝filter?还是剪枝layer?这是个问题
牛津大学VGG组提出:自监督实例自适应的单目深度估计
ECCV 2020 | WeightNet:重新探索Weight网络的设计空间
Mask TextSpotter v3:用于场景文字检测和识别的分割Proposal网络
ECCV 2020 | URIE:用于视觉识别的通用图像增强
ECCV 2020 | 魔鬼在细节中:车辆重识别的自监督注意力(SAVER)
ECCV 2020 | 53.5 AP!PAA:用于目标检测的IoU预测的概率Anchor分配
ECCV 2020 | 南京理工提出FPT:特征金字塔Transformer
ECCV 2020 | CDGCNet:用于语义分割的类动态图卷积
ECCV 2020 | 港中文(贾佳亚团队)提出MuCAN:用于视频超分辨率的多一致聚合网络
ECCV 2020 | 长尾数据集中多标签分类的分布平衡损失
清华大学提出ISDA:使用语义数据增广来正则化深度网络
ECCV 2020 | BMask R-CNN:边界保持的Mask R-CNN
ECCV 2020 | 即插即用!PSConv:将特征金字塔压缩到紧凑的多尺度卷积层中
ECCV 2020 | STTN:用于视频修复的时空联合Transformer
ECCV 2020 | LiteFlowNet3:实现更准确的光流估计