論文の概要: Exploring Sparsity in Image Super-Resolution for Efficient Inference

• arxiv url: http://arxiv.org/abs/2006.09603v2
• Date: Thu, 1 Apr 2021 11:23:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 21:05:05.138045
• Title: Exploring Sparsity in Image Super-Resolution for Efficient Inference
• Title（参考訳）: 効率的な推論のための画像超解法における空間性探索
• Authors: Longguang Wang, Xiaoyu Dong, Yingqian Wang, Xinyi Ying, Zaiping Lin, Wei An, and Yulan Guo
• Abstract要約: 我々はスパースマスクを学習して冗長計算を行うためのスパースマスクSR(SMSR)ネットワークを開発した。 我々のSMSRは41%/33%/27%のFLOPをx2/3/4SRで削減し,最先端の性能を実現している。
• 参考スコア（独自算出の注目度）: 43.186057426839454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current CNN-based super-resolution (SR) methods process all locations equally with computational resources being uniformly assigned in space. However, since missing details in low-resolution (LR) images mainly exist in regions of edges and textures, less computational resources are required for those flat regions. Therefore, existing CNN-based methods involve redundant computation in flat regions, which increases their computational cost and limits their applications on mobile devices. In this paper, we explore the sparsity in image SR to improve inference efficiency of SR networks. Specifically, we develop a Sparse Mask SR (SMSR) network to learn sparse masks to prune redundant computation. Within our SMSR, spatial masks learn to identify "important" regions while channel masks learn to mark redundant channels in those "unimportant" regions. Consequently, redundant computation can be accurately localized and skipped while maintaining comparable performance. It is demonstrated that our SMSR achieves state-of-the-art performance with 41%/33%/27% FLOPs being reduced for x2/3/4 SR. Code is available at: https://github.com/LongguangWang/SMSR.
• Abstract（参考訳）: 現在のcnnベースのスーパーレゾリューション(sr)法は、全ての位置を等しく処理し、計算資源を空間に一様に割り当てる。 しかし,低解像度 (lr) 画像における詳細情報は主にエッジやテクスチャの領域に存在するため,平坦な領域では計算資源が不足する。 したがって、既存のcnnベースの手法では、平坦な領域での冗長な計算が必要となり、計算コストが増大し、モバイルデバイスへの応用が制限される。 本稿では,SRネットワークの推論効率を向上させるために,画像SRの空間性について検討する。 具体的には、スパースマスクを学習して冗長計算を行うためのスパースマスクSR(SMSR)ネットワークを開発する。 我々のSMSRでは、空間マスクは「重要」領域を識別し、チャンネルマスクは「重要」領域の冗長なチャネルをマークする。 これにより、冗長な計算を正確にローカライズし、同等の性能を維持しながらスキップすることができる。 その結果,SMSRは41%/33%/27%のFLOPをx2/3/4SRで削減した。 コードはhttps://github.com/longguangwang/smsr.com/。

関連論文リスト

• Accelerating Image Super-Resolution Networks with Pixel-Level Classification [29.010136088811137]
  Pixel-level for Single Image SuperResolutionは、ピクセルレベルで計算資源を適応的に分配する新しい手法である。 提案手法では,再学習を伴わない推論における性能と計算コストのバランスが可能である。
  論文  参考訳（メタデータ） (2024-07-31T08:53:10Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Lightweight Stepless Super-Resolution of Remote Sensing Images via Saliency-Aware Dynamic Routing Strategy [15.587621728422414]
  深層学習アルゴリズムは、リモートセンシング画像(RSI)超解像(SR)の性能を大幅に改善した しかし、ネットワークの深さとパラメータの増大は、計算とストレージに大きな負担をもたらす。 本稿では、RSIの軽量でステップレスなSRを実現するために、SalDRN(Saliency-aware dynamic routing network)を提案する。
  論文  参考訳（メタデータ） (2022-10-14T07:49:03Z)
• Super-Resolution by Predicting Offsets: An Ultra-Efficient Super-Resolution Network for Rasterized Images [47.684307267915024]
  コンピュータグラフィックスのためのリアルタイムSRの新しい手法、すなわち予測オフセット(SRPO)による超解法を提案する。 我々のアルゴリズムは、画像を処理のために2つの部分、すなわちシャープエッジとフラットな領域に分割する。 実験により,提案したSRPOは既存の最先端手法よりも少ない計算コストで優れた視覚効果が得られることが示された。
  論文  参考訳（メタデータ） (2022-10-09T08:16:36Z)
• CADyQ: Content-Aware Dynamic Quantization for Image Super-Resolution [55.50793823060282]
  本稿では,画像超解像(SR)ネットワークのための新しいコンテント・アウェア・ダイナミック量子化(CADyQ)手法を提案する。 CADyQは、入力画像のローカル内容に基づいて、局所領域と層に最適なビットを適応的に割り当てる。 パイプラインは様々なSRネットワークでテストされ、いくつかの標準ベンチマークで評価されている。
  論文  参考訳（メタデータ） (2022-07-21T07:50:50Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• ABCNet: Attentive Bilateral Contextual Network for Efficient Semantic Segmentation of Fine-Resolution Remote Sensing Images [5.753245638190626]
  リモートセンシング画像のセマンティックセグメンテーションは、精密農業、環境保護、経済評価において重要な役割を担っている。 空間分解能の増加によって引き起こされる複雑な情報のため、最先端のディープラーニングアルゴリズムは通常、セグメンテーションに複雑なネットワークアーキテクチャを使用する。 本稿では,2枝の畳み込みニューラルネットワーク(CNN)であるABCNetを提案する。
  論文  参考訳（メタデータ） (2021-02-04T10:43:08Z)
• Interpreting Super-Resolution Networks with Local Attribution Maps [24.221989130005085]
  画像超解像(SR)技術は、ディープネットワークの発明とそれに続くブレークスルーの恩恵を受け、急速に発展してきた。 ディープラーニングとディープニューラルネットワークは解釈が難しいことが認識されている。 本稿では,SR結果に強く影響する入力画素の探索を目的とした,SRネットワークの属性解析を行う。
  論文  参考訳（メタデータ） (2020-11-22T15:11:00Z)
• Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
  シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。 本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。 我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
  論文  参考訳（メタデータ） (2020-04-08T10:08:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。