E2FIF:通过端到端的全精度信息流来推动二元化深度图像超分辨率的极限
概括
用于单图像超分辨率 (SISR) 的二进制神经网络 (BNNs) 可以通过添加完全精确的跳过连接来改进. 这增强了信息和梯度流,提高了性能,没有额外的计算.
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:
- 二元神经网络 (BNNs) 在资源有限的设备上提供了深度学习模型的高效部署.
- 单图像超分辨率 (SISR) 模型是计算密集型的,限制了它们在现实世界中的应用.
- 现有的SISR的BNN专注于对二进制卷积进行近似,以减轻性能损失.
研究的目的:
- 为了提高SISR的BNN的通用化性能.
- 确定BNN在SISR任务中有效执行的关键因素.
- 在SISR中为BNN提出一种新的,在计算上廉价的增强方案.
主要方法:
- 在BNNs中引入了对二进制卷积层的全精度跳过连接.
- 确保完整精确信息的保存和准确的梯度流.
- 将拟议的方案应用于SISR的各种现有BNN骨干.
主要成果:
- 证明了增强的前进表达能力和向后传播的梯度准确性.
- 与SISR的现有BNN相比,实现了更高的性能.
- 在基准数据集上甚至超过了一些4位SISR竞争对手.
结论:
- 完全精确的跳过连接对于SISR中有效的BNN至关重要.
- 拟议的方法可以提高BNN的性能,而不会增加计算成本.
- 这种方法在边缘设备上部署SISR方面取得了重大进展.
