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

最新推荐文章于 2023-03-19 10:09:21 发布
最新推荐文章于 2023-03-19 10:09:21 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。
摘要由CSDN通过智能技术生成
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 3956
超分网络 笔记 轻量级
Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning
造未来
11-24 958
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 1532
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
12-27 366
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 1180
用来自己看的
轻量化SISR实验结果汇总
qq_20777119的博客
01-06 862
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...
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...
Lightweight Feature Fusion Network for Single Image Super-Resolution
qq_34049103的博客
04-17 888
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...
OverNet-250FPS SISR实时算法- | Lightweight Multi-Scale Super-Resolution with Overscaling Network
weixin_42096202的博客
08-12 1712
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.
Lightweight Image Super-Resolution with Information Multi-distillation Network
邹小驴
06-08 733
论文的contrast-aware channel attention module 对于IMDB的代码有一些讲解，channel split不是对半平分channel，而是采用：总的channel*ratia，剩余的channel=总的channel - 总的channel*ratia，
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 1141
  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 2829
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...
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
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.
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 9438
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
07-01 758
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
北大&港大 CVPR 力作 | ESRT: 集轻量高效于一体的单图超分网络
最新发布
专注计算机视觉全栈知识分享
03-19 948
如果您也对人工智能和计算机视觉全栈领域感兴趣，强烈推荐您关注有料、有趣、有爱的公众号『CVHub』，每日为大家带来精品原创、多领域、有深度的前沿科技论文解读及工业成熟解决方案！同时欢迎添加小编微信: cv_huber，备注CSDN，加入官方学术|技术|招聘交流群，一起探讨更多有趣的话题！
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