Hi-Mamba:为高效的图像超分辨率提供分层的Mamba.

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:

• 变压器在低水平视觉方面表现出色,但面临着二次复杂性和有限的受感场.
• 国家空间模型 (SSM) 提供线性复杂性和全球受感场,但在高分辨率图像中仍在与远程依赖性作斗争.
• 现有的视觉任务的SSM集成方法遭受了关系退化和冗余的扫描策略.

研究的目的:

• 介绍Hi-Mamba,一个高效的状态空间模型架构用于图像超分辨率 (SR).
• 解决基于SSM的视觉模型中的远程依赖学习和冗余扫描的挑战.
• 通过一个计算效率高的模型,在图像超分辨率上实现最先进的性能.

主要方法:

• 提出了Hi-Mamba架构,其中包括一个全球层次的Mamba块 (GHMB),用于全面的代币交互和全球接收场.
• 整合了方向交替模块 (DAM) 来优化不同层的扫描模式,增强空间关系建模.
• 开发了一种单扫描图像展开策略,以减轻关系恶化和长期遗忘问题.

主要成果:

• 与MambaIRv2相比,Hi-Mamba在各种扩展因子中显示出显著的性能增长,在Urban100数据集上实现了0.2-0.27dB的PSNR改进.
• 轻量级的Hi-Mamba模型超过了SRFormer轻量级模型的0.39dBPSNR,达到2倍的SR.
• 拟议的方法有效地捕捉了远程依赖关系,并在图像超分辨率任务中改进了空间关系建模.

结论:

• 通过利用SSM,Hi-Mamba为图像超分辨率提供了一个有效和高效的解决方案.
• 新型架构成功地解决了以前基于SSM的计算机视觉方法的关键局限性.
• Hi-Mamba为轻量级和高性能图像超分辨率模型设定了一个新的基准.