R2GDN: Red neuronal densa residual basada en RepGhost para superresolución de imágenes

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Profundo
• Procesamiento de Imágenes

Sus antecedentes:

• Las redes de superresolución existentes enfrentan desafíos con la complejidad computacional y el uso de memoria.
• El despliegue en dispositivos de computación de borde se ve obstaculizado por las limitaciones de recursos.

Objetivo del estudio:

• Introducir una novedosa red de reconstrucción de superresolución de imágenes ligera.
• Mitigar los problemas de complejidad computacional y consumo de memoria.
• Optimizar la arquitectura de la red para entornos de computación de borde.

Principales métodos:

• Desarrolló una capa de reparametrización ligera para una utilización eficiente de las características.
• Diseñó el módulo RGAB para la extracción profunda de características, conservando las conexiones densas y el aprendizaje residual local.
• Implementó técnicas de reutilización de características y reparametrización estructural.

Principales resultados:

• La red R2GDN muestra reducciones significativas en los parámetros del modelo (aproximadamente 95%) y una mejora en la velocidad de inferencia (86,8%) en dispositivos de borde en comparación con métodos orientados al rendimiento.
• Supera a los algoritmos de superresolución ligeros con un menor recuento de parámetros y una mejora del 0,74% en SSIM en el conjunto de datos BSD100 para la reconstrucción 4x.
• Demuestra un equilibrio efectivo entre el rendimiento de la red y la complejidad.

Conclusiones:

• R2GDN ofrece una solución computacionalmente eficiente y efectiva para la superresolución de imágenes en dispositivos de borde.
• La arquitectura propuesta aborda con éxito la compensación entre el rendimiento y las restricciones de recursos.
• R2GDN representa un avance significativo en modelos ligeros de aprendizaje profundo para la reconstrucción de imágenes.