结构相似性启发的展开为轻量级图像超高分辨率

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 目前的数据驱动图像超分辨率 (SR) 方法增加模型复杂性以捕捉上下文.
• 基于模型的SR方法提供了紧性,但性能可能受到限制.
• 混合方法可以利用这两种方法的优势.

研究的目的:

• 通过结合数据驱动和模型驱动的方法,开发一种高效的图像超分辨率 (SR) 方法.
• 为了提高SR性能,同时保持模型的紧性.
• 引入一个新的基于展开的SR框架,灵感来自结构上的相似性.

主要方法:

• 提出了一种结构相似性启发的展开 (SSIU) 方法,以获得高效的图像SR.
• 展开了一个由结构相似性所限制的SR优化函数.
• 集成的混合尺度门模块 (MSGM) 用于特征约束和高效稀疏注意模块 (ESAM) 用于每个代中的稀疏激活.
• 使用基于专家组合的功能选择器 (MoE-FS) 来实现多层次的功能集成.

主要成果:

• 与现有的最先进的SR模型相比,SSIU方法显示出更高的性能.
• 实现了参数数量和内存消耗的显著减少.
• 通过广泛的实验验验证了拟议的展开灵感网络的有效性和效率.

结论:

• 该SSIU方法有效地结合了数据驱动和模型驱动的战略,以获得高效的图像SR.
• 拟议的架构实现了高性能与改进的模型紧性.
• 这项工作为开发高效和有效的超分辨率技术提供了有希望的方向.