图像超分辨率重构开题报告_MAFFSRN：具有多注意力层的超轻量级图像超分辨率...

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