对于LUT的DNN:学习高效的图像恢复与多个查找表

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:

• 高清屏幕需要高效的图像恢复算法.
• 查看表 (LUT) 缓存提供了一个解决方案,但面临着单个LUT大小和接收场的限制.
• 现有的单一LUT方法由于指数式大小增长而限制了性能.

研究的目的:

• 引入MuLUT,这是构建多个LUT的通用方法,以克服单个LUT的局限性.
• 为了使边缘设备上的扩大受体场能够高效地恢复图像.
• 为现有图像修复技术提供一种实用且优越的替代方案.

主要方法:

• 开发了MuLUT,一种类似于多个LUT的神经网络的结构.
• 引入了互补的索引模式和平行LUT建设的一般实施.
• 实现了对层次 LUT 级联和通道索引进行重新索引机制,以实现跨通道交互.

主要成果:

• MuLUT通过索引能力实现了线性尺寸增长,从而实现了更大的受体场.
• 在超分辨率 (高达1.1dBPSNR) 和无噪声 (高达2.8dBPSNR) 中显著提高了性能.
• 与轻量级深度神经网络相比,MuLUT的能源成本降低了100倍,从而保持了效率.

结论:

• MuLUT为具有高清屏幕的边缘设备的图像恢复提供了实用和高效的解决方案.
• 多LUT方法有效地克服了单LUT方法的局限性,提高了性能.
• MuLUT代表了高效和高性能图像恢复算法的重大进步.