A2F-轻量级SISR网络 | Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature

最新推荐文章于 2023-02-21 01:00:00 发布
最新推荐文章于 2023-02-21 01:00:00 发布
阅读量1.4k 收藏 9
点赞数
分类专栏： 图像复原
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42096202/article/details/109723442
版权
本文探讨了在单图像超分辨率（SISR）领域，传统方法因计算成本高而逐渐被轻量级网络取代。提出了一种名为A2F-SR的新模型，该模型利用注意力辅助特征（A2F）块，通过投影和通道注意力机制有效融合多层特征，实现高效且准确的超分辨率。A2F-SR在保持低参数量（<320k）的同时，在多个尺度上超越了现有最佳技术。研究包括模型设计、实验分析和性能比较，证明了轻量级网络在SISR中的潜力。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最低0.47元/天 解锁文章
超分网络 笔记 轻量级
jacke121的专栏
04-26 4008
超分网络 笔记 轻量级
Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning
造未来
11-24 966
代码链接：https://github.com/wxxxxxxh/A2F-SR 算法思路 这篇文章是发表在ACCV 2020 上的一篇轻量化超分文章，算法的思想很简单，主要提出了一个注意力辅助特征学习模块（Attentive Auxiliary Feature module ）。对于这个模块，一方面接收之前所有模块的输出，然后通过一个1*1卷积，将这些输出映射到同一个空间中，接着通过一个通道注意力模块，滤除冗余的信息，另一方面，仅对上一层的输出进行残差学习，最后这两部分的输出加起来得到当前注意力辅助特征学
【轻量级自适应加权网络：超分】
weixin_43690932的博客
02-21 1577
仅供自己参考
（MACN小米AI 轻量化SISR）A Matrix-in-matrix Neural Network for Image Super Resolution
qq_20777119的博客
12-27 368
代码：https://github.com/macn3388/MCAN 1、简介 现存的SISR方法难以 用在手机等移动设备上面。 However, these GAN-based methods inevitably bring about bad cases that are intolerable in practice基于GAN的方法 不可避免的会产生很多极d端的图像，而这些极端的情...
A very lightweight and efficient image super-resolution network
weixin_47988506的博客
02-10 1208
用来自己看的
OverNet-250FPS SISR实时算法- | Lightweight Multi-Scale Super-Resolution with Overscaling Network
weixin_42096202的博客
08-12 1721
SISR实时性问题一直比较关注，之前的IMDN在速度方面还差那么一点。这篇文章号称达到250FPS，却没有跟IMDN比较，感觉很奇怪~ 论文地址：https://arxiv.org/pdf/2008.02382.pdf Abstract： 由于深度卷积神经网络（CNN）的发展，超分辨率（SR）取得了巨大的成功。但是，随着网络深度和宽度的增加，基于CNN的SR方法在实践中已面临计算复杂性的挑战。此外，它们中的大多数为每个目标分辨率训练的专用模型，从而失去通用性并增加了内存需求。为了解决这些局限性，我们提.
Single Image Super-Resolution via Dynamic Lightweight Database with Local-Feature Based Interpolation
02-08
本研究提出了一种单图像超分辨率（Single Image Super-Resolution, SISR）的新方法，该方法通过构建基于输入图像自身的动态轻量级数据库，并结合基于局部特征的插值算法来提高图像分辨率。该技术在不依赖任何外部...
CVPR2020-RFANet-图像超分辨率新网络 | Residual Feature Aggregation Network for Image Super-Resolution
热门推荐
weixin_42096202的博客
06-12 1万+
创新点都比较小，提升也很小，有种炒冷饭的感觉… 论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Liu_Residual_Feature_Aggregation_Network_for_Image_Super-Resolution_CVPR_2020_paper.pdf Abstract： 最近，深度卷积神经网络（CNN）在单图像超分辨率（SISR）中显示了强大的功能，并且相对于传统方法取得了显着改进。在这些基于CNN的方法中，残差.
Toward Real-World Single Image Super-Resolution Real SR论文翻译
03-16
《迈向真实世界的单幅图像超分辨率：一个新的基准和一个新的模型》这篇文章主要探讨了单图像超分辨率（SISR）领域的挑战和突破。SISR是图像处理技术的重要分支，它旨在从低分辨率（LR）图像恢复高分辨率（HR）图像，...
轻量化SISR实验结果汇总
qq_20777119的博客
01-06 868
目录 AWSRN（CVPR2019） CARN（ECCV2018） IMDN（ACMM2019） FALSR（小米AI超分辨率2019） MCAN（小米AI 2019） AWSRN（CVPR2019） 也是用到了多尺度的思想。 CARN（ECCV2018） IMDN（ACMM2019） FALSR（小米AI超分辨率2019） 用神经网络搜索...
CCA算法matlab代码-IMDN:具有信息多重蒸馏网络的轻量级图像超分辨率（ACMMM2019，ICCVWAIM2019Constrain
05-22
CCA算法matlab代码IMDN 具有信息多重蒸馏网络的轻型图像超分辨率（ACM MM 2019） IMDN的简化版本在“约束的超分辨率挑战赛”（Track1和Track2）中获得了第一名。 测试代码可从以下网址获得： IMDN的超轻量级版本在“超分辨率算法性能比较挑战赛”中获得第一名。 （） IMDN的简化版本在“超分辨率算法性能比较挑战赛”中获得第二名。 （） 亮点 我们的信息多重蒸馏模块（IMDB）具有对比感知注意（CCA）层。 自适应裁切策略（ACS），可实现任意大小的图像处理（使用一个模型来实现任何放大系数）。 探索影响实际推理时间的因素。 测验 火炬1.1 运行测试： # Set5 x2 IMDN python test_IMDN.py --test_hr_folder Test_Datasets/Set5/ --test_lr_folder Test_Datasets/Set5_LR/x2/ --output_folder results/Set5/x2 --checkpoint checkpoints/IMDN_x2.pth --upscale_factor 2 #
【超分辨率】小米轻量级超分辨率模型FALSR：Fast, Accurate and Lightweight Super-Resolution models-附件资源
03-02
【超分辨率】小米轻量级超分辨率模型FALSR：Fast, Accurate and Lightweight Super-Resolution models-附件资源
Python-FALSR快速准确轻量级超分辨率模型
08-11
FALSR：快速、准确、轻量级超分辨率模型
Python-Pytorch实现多帧超分辨率MFSR网络HighResnet
08-11
Pytorch implementation of HighRes-net, a neural network for multi frame super-resolution (MFSR), trained and tested on the European Space Agency’s Kelvin competition.
Lightweight Feature Fusion Network for Single Image Super-Resolution
qq_34049103的博客
04-17 900
这篇文章提出了现有超分网络中间层参数过多阻碍了其在现实世界的应用，依据上述问题提出了一种轻量级特征融合网络，在减少中间层参数的同时，提取并融合了中间层的多尺度特征信息。 网络总体架构分为四部分：浅特征提取层、深度轻量级特征提取层、注意力及softmax融合层 、上采样重建层。 33conv用来进行浅特征提取，在深度特征提取中采用类似于信息蒸馏的方法减少中间层的参数，浅特征层生成的48通道的特征图...
快速，准确和轻量的带有神经架构搜索的超分辨率网络
qq_32439305的博客
02-26 1150
  Fast, Accurate and Lightweight Super Resolution with Neural Architecture Search by Xiaomi AI 论文地址：https://arxiv.org/pdf/1901.07261v2.pdf 发表日期： 24/1/2019 项目地址：https://github.com/falsr/FALSR 1 简...
CVPR2020-对偶回归与SISR | Closed-loop Matters：Dual Regression Networks for Single Image Super-Resolution
weixin_42096202的博客
03-31 2838
思想很新，效果也很好，CVPR的文章的确质量挺高。可以拿来作为改进的baseline。 Github : https://github.com/guoyongcs/DRN. Abstract： 通过学习从低分辨率(LR)图像到高分辨率(HR)图像的非线性映射函数，深度神经网络在图像超分辨率(SR)方面表现出了良好的性能。然而，现有的SR方法有两个潜在的限制。首先，学习从LR到HR图像的映射函...
哈工大等提出轻量级盲超分辨模型LESRCNN，代码已开源
我爱计算机视觉
11-26 9456
近年来图像超分辨率（super-resolution，SR）已经获得长足发展，但计算量大仍阻碍相关研究进入产品，来自哈工大等单位的学者提出一种轻量级SR 模型，在取得了state-of...
(轻量级自适应加权网络图像超分辨)阅读笔记
qq_40107571的博客
07-01 772
论文地址：Lightweight adaptive weighted network for single image super-resolution 引言一般来说，基于深度学习的方法越深的网络和残差学习技术可以得到更好的性能。但是，由于巨大的参数量和比较长的推理时间，这种模型很难应用在实际生活中。 为了提高模型的效率通常有三种方法，后处理，递归学习，组卷积。 另一方面，堆叠残差模块越深的网络可能导致梯度消失和梯度爆炸。因此，提出了残差缩放策略，通过固定残差单元的权重来限制梯度的流动。 大多数方法都是采用
Single Image Super-resolution from Transformed Self-Exemplars
最新发布
03-16
### 单图像超分辨率技术概述 单图像超分辨率（Single Image Super-Resolution, SISR）是一种旨在从低分辨率图像重建高分辨率图像的技术。近年来，基于深度学习的方法显著提升了SISR的效果。其中，“Transformed Self-Exemplars”方法通过利用图像内部的自相似性来增强细节恢复能力[^1]。 #### Transformed Self-Exemplars 技术的核心概念 Transformed Self-Exemplars 方法的主要思想是从输入图像本身提取特征作为参考样本，并通过对这些样本进行变换以适应不同的局部结构。这种方法避免了对外部训练数据集的高度依赖，从而减少了过拟合的风险并提高了泛化性能[^2]。 具体而言，该算法设计了一个端到端可训练框架，其中包括以下几个关键组件： 1. **Self-Similarity Mining**: 自动检测图像中的重复模式或纹理区域。 2. **Transformation Module**: 对挖掘出的自相似块应用几何和光度变换，使其能够匹配目标位置的需求。 3. **Fusion Mechanism**: 将多个转换后的样例融合在一起，形成最终的高分辨率预测结果。 此过程不仅保留了原始信号的重要特性，还有效增强了边缘锐利度以及颜色一致性[^3]。 #### 相关研究进展 除了上述提到的技术外，还有其他一些重要的工作也值得关注。例如，Dong等人提出的 SRCNN (Super Resolution Convolutional Neural Network)，首次将卷积神经网络引入到了超级解析领域；Kim等人开发的 EDSR (Enhanced Deep Residual Networks for Single Image Super-Resolution) 则进一步优化了模型架构，在速度与质量之间取得了更好的平衡[^4]。 值得注意的是，尽管当前许多先进方案都采用了复杂的多尺度特征表示或者注意力机制，但 Transforming Self-examples 的独特之处在于它强调充分利用单一输入源内的信息资源，这使得其特别适合处理那些难以获取充足外部标注资料的应用场景[^5]。 ```python import torch.nn as nn class SimpleSRModel(nn.Module): def __init__(self): super(SimpleSRModel, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=9, padding=4) self.relu = nn.ReLU() self.conv2 = nn.Conv2d(64, 32, kernel_size=1, padding=0) self.conv3 = nn.Conv2d(32, 3, kernel_size=5, padding=2) def forward(self, x): out = self.relu(self.conv1(x)) out = self.relu(self.conv2(out)) out = self.conv3(out) return out ``` 上面展示了一种简单的 SR 模型定义方式，实际项目中可能需要更复杂的设计才能达到理想效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值