像素CraftSR:高效的超级分辨率与多代理增强为边缘设备
M J Aashik Rasool1,2, Shabir Ahmed1,3, S M A Sharif2
1Department of IT Convergence Engineering, Gachon University, Sujeong-Gu, Seongnam-si 461-701, Gyeonggi-do, Republic of Korea.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
我们开发了一个轻量级的超分辨率 (SR) 模型,使用多代理强化学习来在物联网设备上高效地增强图像. 这种新的方法可以在减少计算复杂性的情况下实现卓越的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 超分辨率 (SR) 成像在许多领域至关重要,包括医疗成像和数字显示器.
- 目前基于深度学习的SR方法是计算密集的,限制了它们在资源有限的物联网 (IoT) 设备上的使用.
研究的目的:
- 提出适合物联网应用的轻量级和高效的SR模型.
- 为了提高图像重建,利用多代理增强学习.
主要方法:
- 一个新的轻量级模型采用多代理强化学习 (MARL) 方法.
- 像素级代理使用异步的演员-关键策略来构建SR图像.
- 基于图像状态的代动作选择,以在五个时间步骤中最大限度地提高累积奖励.
主要成果:
- 提出的基于MARL的SR方法在定性和定量评估中优于现有的SR技术.
- 与当前最先进的方法相比,实现了明显较低的计算复杂性.
- 在各种物联网平台 (包括边缘设备) 上展示实用的应用性.
结论:
- 开发的轻量级MARL模型为物联网设备上的单图像超分辨率提供了有效的解决方案.
- 为边缘计算场景提供了昂贵的SR方法的可行替代方案.
