AsConvSR

编辑 | Happy
首发 | AIWalker
链接 | https://mp.weixin.qq.com/s/p9u6RYkd37MmN12rUCMCuQ

前段时间,NTIRE2023各个竞赛落下帷幕,近期各个冠亚军方案提出者也在逐步公开方案细节。今天给大家概要介绍一下"RTSR-Track1"赛道冠军方案,方案提出者来自华为诺亚与华为海思。

AsConvSR

由于竞赛同时关注PSNR与推理耗时(计算方式如下),所以网络结构的设计尤其要关注下耗时因素的影响。

AsConvSR_第1张图片

AsConvSR网络结构非常的简单,需要关注的有两个:

  • PixelUnShuffle 该操作有助于减少网络整体推理耗时,它与超分领域常用的PixelShuffle为互逆操作。
AsConvSR_第2张图片
  • Assembled Block 该思想源自LAPAR一文,一种动态卷积操作。
AsConvSR_第3张图片

实验结果

AsConvSR_第4张图片 AsConvSR_第5张图片

上图为所提方案与近年来轻量化网络的统计信息对比,重建效果对比。总体来说,AsConvSR在竞赛指标方面确实存在非常明显的优势。

AsConvSR_第6张图片

上表给出了竞赛前五方案的指标信息对比,所提方案优势还是挺明显的,^_^

推荐阅读

  1. ChatGPT聊图像超分,总结确实挺到位,哈哈
  2. 大核分解与注意力机制的巧妙结合,图像超分多尺度注意网络MAN
  3. CVPR2023 | 非局部注意力、局部自注意力、样条注意力协同助力图像复原达成新 SOTA!
  4. NAFNet :无需非线性激活,真“反直觉”!但复原性能也是真强!
  5. CVPR 2022 Oral | MLP进军底层视觉!谷歌提出MAXIM模型刷榜多个图像处理任务
  6. ELAN | 比SwinIR快4倍,图像超分中更高效Transformer应用探索
  7. CNN与Transformer相互促进,助力ACT进一步提升超分性能
  8. CVPR2022 | Restormer: 刷新多个low-level任务指标
  9. Transformer在图像复原领域的降维打击!ETH提出SwinIR:各项任务全面领先

本文由 mdnice 多平台发布

你可能感兴趣的:(程序人生)