論文の概要: Multi-Attention Based Ultra Lightweight Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2008.12912v2
- Date: Mon, 21 Sep 2020 06:07:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 17:01:19.418133
- Title: Multi-Attention Based Ultra Lightweight Image Super-Resolution
- Title(参考訳): マルチアテンションベース超軽量画像超解像
- Authors: Abdul Muqeet, Jiwon Hwang, Subin Yang, Jung Heum Kang, Yongwoo Kim,
Sung-Ho Bae
- Abstract要約: マルチアテンティブ・フィーチャーフュージョン・スーパーリゾリューション・ネットワーク(MAFFSRN)を提案する。
MAFFSRNは、特徴抽出ブロックとして機能する提案された特徴融合グループ(FFG)から構成される。
我々は,MAFFSRNモデルを用いてAIM 2020の効率的なSRチャレンジに参加し,メモリ使用率,浮動小数点演算(FLOP),パラメータ数でそれぞれ1位,3位,4位を獲得した。
- 参考スコア(独自算出の注目度): 9.819866781885446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lightweight image super-resolution (SR) networks have the utmost significance
for real-world applications. There are several deep learning based SR methods
with remarkable performance, but their memory and computational cost are
hindrances in practical usage. To tackle this problem, we propose a
Multi-Attentive Feature Fusion Super-Resolution Network (MAFFSRN). MAFFSRN
consists of proposed feature fusion groups (FFGs) that serve as a feature
extraction block. Each FFG contains a stack of proposed multi-attention blocks
(MAB) that are combined in a novel feature fusion structure. Further, the MAB
with a cost-efficient attention mechanism (CEA) helps us to refine and extract
the features using multiple attention mechanisms. The comprehensive experiments
show the superiority of our model over the existing state-of-the-art. We
participated in AIM 2020 efficient SR challenge with our MAFFSRN model and won
1st, 3rd, and 4th places in memory usage, floating-point operations (FLOPs) and
number of parameters, respectively.
- Abstract(参考訳): 軽量画像超解像(SR)ネットワークは、現実世界のアプリケーションにとって最も重要である。
優れた性能を持つディープラーニングベースのSR手法はいくつかあるが、そのメモリと計算コストは実用上の障害である。
この問題に対処するため,MAFFSRN(Multi-Attentive Feature Fusion Super-Resolution Network)を提案する。
MAFFSRNは、特徴抽出ブロックとして機能する機能融合グループ(FFG)からなる。
各FFGは、新しい特徴融合構造に組み合わされた提案されたマルチアテンションブロック(MAB)のスタックを含む。
さらに、コスト効率のよい注意機構(CEA)を持つMABは、複数の注意機構を用いて特徴を洗練・抽出するのに役立ちます。
包括的実験により,既存の最新技術よりも優れたモデルが得られた。
我々は,MAFFSRNモデルを用いてAIM 2020の効率的なSRチャレンジに参加し,メモリ使用率,浮動小数点演算(FLOP),パラメータ数でそれぞれ1位,3位,4位を獲得した。
関連論文リスト
- Transforming Image Super-Resolution: A ConvFormer-based Efficient
Approach [63.98380888730723]
本稿では, Convolutional Transformer Layer (ConvFormer) と ConvFormer-based Super-Resolution Network (CFSR) を紹介する。
CFSRは、計算コストの少ない長距離依存と広範囲の受容場を効率的にモデル化する。
これは、x2 SRタスクのUrban100データセットで0.39dB、パラメータが26%、FLOPが31%減少している。
論文 参考訳(メタデータ) (2024-01-11T03:08:00Z) - Accurate and lightweight dehazing via multi-receptive-field non-local
network and novel contrastive regularization [9.90146712189936]
本稿では,マルチ受信フィールド非局所ネットワーク(MRFNLN)を提案する。
マルチストリーム機能アテンションブロック(MSFAB)とクロス非ローカルブロック(CNLB)として設計されている。
これは、150万のパラメータ未満の最近の最先端の脱ハージング手法よりも優れています。
論文 参考訳(メタデータ) (2023-09-28T14:59:16Z) - MLF-DET: Multi-Level Fusion for Cross-Modal 3D Object Detection [54.52102265418295]
MLF-DETと呼ばれる,高性能なクロスモーダル3DオブジェクトDrectionのための,新規かつ効果的なマルチレベルフュージョンネットワークを提案する。
特徴レベルの融合では、マルチスケールのボクセル特徴と画像の特徴を密集したマルチスケールのボクセル画像融合(MVI)モジュールを提示する。
本稿では,画像のセマンティクスを利用して検出候補の信頼度を補正するFCR(Feature-cued Confidence Rectification)モジュールを提案する。
論文 参考訳(メタデータ) (2023-07-18T11:26:02Z) - Spatially-Adaptive Feature Modulation for Efficient Image
Super-Resolution [90.16462805389943]
視覚変換器(ViT)のようなブロック上に,空間適応型特徴変調(SAFM)機構を開発する。
提案法は最先端のSR法よりも3倍程度小さい。
論文 参考訳(メタデータ) (2023-02-27T14:19:31Z) - CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for
Multi-Modality Image Fusion [138.40422469153145]
本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。
近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
論文 参考訳(メタデータ) (2022-11-26T02:40:28Z) - Feature Distillation Interaction Weighting Network for Lightweight Image
Super-Resolution [25.50790871331823]
FDIWN(Feature Distillation Interaction Weighted Network)を提案する。
FDIWNは他のモデルよりも優れており、モデルの性能と効率のバランスが良い。
論文 参考訳(メタデータ) (2021-12-16T06:20:35Z) - Lightweight Image Super-Resolution with Multi-scale Feature Interaction
Network [15.846394239848959]
軽量マルチスケール機能インタラクションネットワーク(MSFIN)を提案する。
軽量SISRでは、MSFINは受容野を拡張し、低解像度の観測画像の情報的特徴を適切に活用する。
提案したMSFINは,より軽量なモデルで最先端技術に匹敵する性能を達成できる。
論文 参考訳(メタデータ) (2021-03-24T07:25:21Z) - Efficient and Accurate Multi-scale Topological Network for Single Image
Dehazing [31.543771270803056]
本稿では,入力画像自体の特徴抽出と利用に注意を払います。
本稿では,マルチスケールトポロジカルネットワーク (mstn) を提案する。
一方、我々は、異なるスケールで機能の選択と融合を達成するために、マルチスケール機能融合モジュール(MFFM)と適応機能選択モジュール(AFSM)を設計します。
論文 参考訳(メタデータ) (2021-02-24T08:53:14Z) - Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。
我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。
低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文 参考訳(メタデータ) (2020-11-29T03:53:49Z) - Lightweight Single-Image Super-Resolution Network with Attentive
Auxiliary Feature Learning [73.75457731689858]
本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。
大規模データセットを用いた実験結果から,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-11-13T06:01:46Z) - MPRNet: Multi-Path Residual Network for Lightweight Image Super
Resolution [2.3576437999036473]
軽量SRにおけるSOTA性能を向上させる軽量超解像ネットワークを提案する。
提案アーキテクチャには新たなアテンション機構であるTwo-Fold Attention Moduleが含まれており,モデルの表現能力を最大化することができる。
論文 参考訳(メタデータ) (2020-11-09T17:11:15Z)
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。