Mobicom2019-MobiSR:Efficient On-Device Super-Resolution through Heterogeneous Mobile Processors-Roys...

创新点：

设计了两个SR模型，分别处理 上采样复杂度(upscaling difficulty) 不同的图像块，达到质量和速度的平衡

思路：

1. 如何衡量图像块的上采样复杂度：

total variation(TV) metric:
TV越大，重建越困难

Fig3: TV越大，PSNR越小， 重建质量越不好

Fig4: TV越大，不同模型重建的PSNR差值越小 => 对于TV较大的图像块，可以用较小的SR model在达到相似PSNR情况下提升速度

 

2. 选择参考SR模型 ：

基于RCAN作改进

性能对比（性能蛮好的） 

FEQE是2018 PIRM Challenge on perceptual SR on mobile 的冠军

 

3. 其他压缩模型变体：

 

训练以上所有模型

 

4. 测试所有模型的 运行时间 和 运行质量

根据Fig7和Fig8选择了 、、 （这三个模型位于Pareto fronts）

 

5. 三个模型两两组合（， ），测试运行质量和时间

TV小于 用 ， 大于用

 

随着PSNR容忍度的升高，提出的方法在达到相似的PSNR下，速度提升

 

一些想法：

1. 对图像块分类只用TV？有没有其他的更全面的方法

2. 模型对（， ）可否自动选择

退化估计(模糊、噪声、伪影、光照)-> 结构估计-> 给定PSNR容忍度下，运行速度最快的模型选择

转载于:https://www.cnblogs.com/btschang/p/11507015.html