基于超分辨率的轻量级图像,基于多级门式聚合网络的多级门式聚合网络
Garas Gendy1, Nabil Sabor2, Guanghui He1
1Department of Micro-Nano Electronics, Shanghai Jiao Tong University, Shanghai 200240, China.
概括
我们开发了多顺序门聚合超分辨率网络 (MogaSRN),以解决基于变压器的图像超分辨率 (SR) 模型的高计算成本. 在低视力任务中,MogaSRN实现了更快的运行时间和更好的性能.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 图像处理 图像处理
背景情况:
- 基于变压器的模型显示出对图像超分辨率 (SR) 的承诺,但由于自我注意力机制而遭受高计算成本.
- 现有的方法往往难以平衡SR任务中的性能,计算复杂性和视觉质量.
研究的目的:
- 提出一个高效和有效的图像超分辨率网络,即多顺序门集聚超分辨率网络 (MogaSRN).
- 为了减少基于变压器的SR模型的计算负担,同时保持或提高性能.
主要方法:
- 引入了以MogaNet为灵感的MogaSRN,用于低水平视觉任务.
- 使用空间的多顺序上下文聚合和使用多层感知子 (MLPs) 的自适应性通道智能重新分配.
- 在深度特征提取过程中保持固定分辨率,与MogaNet不同,以优化SR.
主要成果:
- 在5个基准数据集上,MogaSRN显示了与最先进的方法相比的显著改进.
- 该模型实现了卓越的视觉质量和重建精度.
- 与性能更好的LWSwinIR相比,实现了3.7倍更快的运行时间,可扩展4倍.
结论:
- 摩加SRN为图像超分辨率提供了性能和模型复杂性之间的令人信服的平衡.
- 拟议的架构为计算密集型的基于变压器的SR模型提供了有效的替代方案.
- 摩加SRN提供高质量的图像重建,并降低了计算开销.
