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

• MAT: Multi-Range Attention Transformer for Efficient Image Super-Resolution [14.265237560766268]
  多様な空間範囲にわたる注意の柔軟な統合は、大幅なパフォーマンス向上をもたらす可能性がある。 スーパーレゾリューション(SR)タスクに適したマルチランジアテンショントランス(MAT)を提案する。 MATは、様々な空間範囲にまたがる依存関係を包含し、その特徴表現の多様性と有効性を向上させる。
  論文  参考訳（メタデータ） (2024-11-26T08:30:31Z)
• A Lightweight Attention-based Deep Network via Multi-Scale Feature Fusion for Multi-View Facial Expression Recognition [2.9581436761331017]
  これらの問題に対処するために,マルチスケール機能融合(LANMSFF)を取り入れた軽量な注意ネットワークを導入する。 本稿では,マスアテンション(MassAtt)とポイントワイズ機能選択(PWFS)という2つの新しいコンポーネントを提案する。 提案手法は,パラメータ数やロバスト性の観点から,最先端手法に匹敵する結果を得た。
  論文  参考訳（メタデータ） (2024-03-21T11:40:51Z)
• 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)
• Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
  2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。 本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。 提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
  論文  参考訳（メタデータ） (2023-05-20T17:01:52Z)
• 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)
• EPMF: Efficient Perception-aware Multi-sensor Fusion for 3D Semantic Segmentation [62.210091681352914]
  自律運転やロボティクスなど,多くのアプリケーションを対象とした3次元セマンティックセマンティックセグメンテーションのためのマルチセンサフュージョンについて検討する。 本研究では,知覚認識型マルチセンサフュージョン(PMF)と呼ばれる協調融合方式について検討する。 本稿では,2つのモードから特徴を分離して抽出する2ストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-21T10:47:26Z)
• 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)
• 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)

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。