双路径大内核学习及其在单图像超分辨率中的应用
Zhen Su1, Mang Sun1, He Jiang1,2
1School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
双路径大内核学习 (DLKL) 通过高效地捕捉远程像素依赖性来提高图像超分辨率. 这种方法显著减少了模型参数,提高了性能,并使移动部署成为可能.
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:
- 超分辨率模型经常使用模块堆叠,导致高参数数量和冗余性.
- 这限制了在手机等资源有限的设备上部署超分辨率模型.
研究的目的:
- 引入双路径大内核学习 (DLKL) 以实现高效的图像超分辨率.
- 为了在移动部署中平衡高性能与降低参数数量.
主要方法:
- 在DLKL框架内使用了多级大内核分解技术.
- 建立了像素之间的高效远程依赖关系,以增强功能提取.
主要成果:
- 在保持出色的性能的同时,DLKL显著减轻了参数负担.
- 与现有的算法相比,通过更清晰的纹理和更自然的结构实现了优越的图像质量.
- 在Urban100数据集上表现出0.32dB和0.19dB的PSNR改进,分别与HAFRN和MICU相比,用于×4升级.
结论:
- 对于复杂的图像超分辨率任务,DLKL提供了有效的解决方案.
- 拟议的模型提供了性能和效率之间的卓越平衡,适合移动应用.
