《Deep Adaptive Inference Networks for Single Image Super-Resolution》论文阅读

《Deep Adaptive Inference Networks for Single Image Super-Resolution》

摘要

近年来，由于深度卷积神经网络的部署，单图像超分辨率(SISR)取得了巨大的进展。 对于大多数现有的方法，每个SISR模型的计算成本与局部图像内容、硬件平台和应用场景无关。 尽管如此，内容和资源自适应模型更受欢迎，并鼓励将更简单和高效的网络应用于更容易的区域，细节较少，以及效率限制有限的场景。 在本文中，我们采取了一个步骤来解决这个问题，利用自适应推理网络的深度SISR(AdaDSR)。 特别是，我们的AdaDSR涉及一个SISR模型作为骨干和一个轻量级适配器模块，它以图像特征和资源约束作为输入，并预测本地网络深度的映射图。 然后在有效的稀疏卷积的支持下进行自适应推理，其中只有一小部分骨干中的层根据其预测深度在给定位置执行。 网络学习可以制定为重建和网络深度损失的联合优化。 在推理阶段，平均深度可以灵活调整，以满足一系列的效率约束。 实验表明，我们的AdaDSR与其同行(例如EDSR和RCAN)相比，具有有效性和适应性。

我们提出了用于深度sisr的自适应推理网络，即adadsr，它添加了一个轻量级适配器模块的主干，以用于空间自适应推理的局部深度映射。

将图像特征和期望深度作为适配器的输入，将重构损耗与深度损耗结合起来进行网络学习，从而使ADADSR配备稀疏卷积，以适应各种效率约束

实验表明，我们的adadsr在精度和效率之间比it对应物(即EDSR和RCA N)实现了更好的权衡，并且可以在没有从头开始训练的情况下适应不同的效率约束。

网络结构

本节介绍了我们的AdaDSR单图像超分辨率模型.. 首先，我们为主干配备了一个网络深度图，以方便空间变异推断。 然后，引入稀疏卷积，通过省略不必要的计算来加快推理。此外，还部署了一个轻量级适配器模块来预测网络深度图。 最后，总体网络结构（见图）。 

一、具有空间变异网络深度的AdaDSR

 单图像超分辨率的目的是学习一种映射，从其低分辨率(LR)观测x中重建高分辨率图像，其中F表示具有网络参数θ的SISR网络。在本工作中，我们考虑了由三个主要模块组成的深度SISR网络的代表性类别，即特征提取Fe、残差块和HR重建Fr。以EDSR为例，我们给出了Zo=Fe(X)。 然后，剩余块的输出可以表示为：

 其中表示第l个残差块的网络参数。给出第（l-1）个残差块的输出，第l个残差块可以被写成。最后重建高分辨率图像可以被表示为。

如图所示。 1.超分辨率的困难是空间上的不同。例如，它不需要经过公式2中所有的残差块来重建平滑区域， 对于纹理丰富细致的区域，为了实现高质量的重建，通常需要更多的残差块。因此，我们引入了一个2D网络深度图，它与有相同的尺寸大小。直观的来说就是，处理光滑区域时，较小；处理具有丰富细节的区域时较大。为了便于空间自适应推理，我们修改公式2

其中表示矩阵对应元素相乘，被定义为：

最后的剩余块是不需要计算具有网络深度的位置。给定二维网络深度图d，我们可以利用公式3进行空间自适应推理。

2、用于有效推理的稀疏卷积

m（第l个残差块）作为掩码指示应保持卷积激活的位置。

 对于一些卷积实现，如快速傅里叶变换(FFT)[和基于Winograd的算法，首先要执行标准卷积才能获得的整个输出特征映射。分别表示输入特征映射、卷积核和卷积运算。然后，稀疏结果可以表示。这些实现满足了空间自适应推理的要求，同时与标准卷积保持相同的计算复杂度。

我们采用基于im2col的稀疏卷积进行有效的自适应推理。如图所示，将与中点相关的f的补丁组织为矩阵中的一行，卷积核也转换为向量。然后将卷积运算转化为矩阵乘法问题，在许多基本线性代数子程序(BLAS)库中得到了高度优化。然后，结果可以组织回输出特征映射。给定掩码，如果重组输入特征具有零掩值，则在构造重组输入特征时可以简单地跳过相应的行(参见图中的阴影行)，计算也被跳过。因此，公式3中的空间自适应推理可以通过im2col和col2im程序有效地实现。 此外，当更多的行被屏蔽时，即当d的平均深度较小时，效率可以进一步提高。

值得注意的是，稀疏卷积在图像分类、目标检测、模型剪枝和三维语义分割任务中得到了广泛的应用。据我们所知，这是第一次尝试在SISR任务上部署像素级稀疏卷积，实现图像内容以及资源自适应推理。

3、轻量级适配器模块

在这一小节中，我们引入了一个轻量级适配器模块p来预测2d网络深度图D，为了适应局部图像内容，需要适配器模块p来产生较低的网络深度，以实现平滑区域和较高的深度去处理丰富细节。 设是d的平均值，d是所需的网络深度。 为了使模型适应效率约束，我们还考虑了所需的网络深度d，并要求d的减小可以导致较小的，即更好的推理效率。

适配器模块p以特征映射为输入，由四个具有PReLU非线性激活函数的卷积层和另一个具有Relu非线性激活函数的卷积层组成。 设。 然后我们使用公式4为每个残差块生成掩码。请注意，可能不是二进制掩码，但包含许多零。 因此，我们可以构造一个稀疏残差块，它可以省略具有零掩值的区域的计算，以便于有效的自适应推理。为了满足效率约束，我们还将所需的网络深度作为适配器的输入，并通过

 其中表示适配器模块的网络参数。具体来说，将适配器中第一个卷积层的权重表示为，当所需深度为时，我们通过将替换成来使卷积可调，因此适配器能够满足上述d导向约束。

4、网络体系结构和学习目标

如图所示。 我们提出的AdaDSR由一个骨干SISR网络和一个轻量级适配器模块组成，以方便图像内容和效率自适应推理。在不失去通用性的情况下，在本节中，我们以EDSR为主干来说明网络体系结构，并将我们的AdaDSR应用于其他具有代表性的SISR模型，并有一些残差块[9]。主链涉及32个残差块，每个块有两个3×3个卷积层，步长为1，填充1和256个ReLU非线性的通道。 另一个3×3卷积层部署在残差块后面。特征提取模块是卷积层，重构模块由上采样单元组成，以扩大特征，然后是重构输出图像的卷积层。 上采样单元是由一系列卷积PixelShuffle根据超分辨率尺度组成的。 此外，轻量级适配器模块以特征映射和所需的网络深度作为输入，由五个卷积层组成，生成一个单通道网络深度图。

值得注意的是，我们实现了两个版本的AdaDSR。 第一种是以EDSR为主干，由AdaEDSR表示。 为了进一步展示所提出的AdaDSR的通用性，并与最先进的方法进行比较，我们还将RCAN作为骨干，并实现了AdaRCAN模型。 主要区别是，RCAN用10个残差组代替32个残差块，每个残差组由20个带有通道注意的残差块组成。 因此，我们修改适配器以同时生成10个深度映射，每个映射被部署到一个残差组。

我们的AdaDSR的学习目标包括重建损失项和网络深度损失项，以实现SISR性能和效率之间的适当权衡。 在SISR性能方面，我们采用了在超分辨率输出和地面真实高分辨率图像上定义的“重建损耗，

其中y和y^分别表示我们的AdaDSR的高分辨率地面真相和超分辨率图像。 考虑到效率约束，我们要求预测的网络深度图的平均d¯近似于期望的深度d，然后引入以下网络深度损失，

 总之，我们的AdaDSR的总体学习目标是：

 其中λ是一个折衷的超参数，在我们所有的实验中都设置为0.01。