論文の概要: Blueprint Separable Residual Network for Efficient Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2205.05996v1
• Date: Thu, 12 May 2022 10:11:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-13 14:21:22.461309
• Title: Blueprint Separable Residual Network for Efficient Image Super-Resolution
• Title（参考訳）: 画像超解像のためのブループリント分離残像ネットワーク
• Authors: Zheyuan Li, Yingqi Liu, Xiangyu Chen, Haoming Cai, Jinjin Gu, Yu Qiao, Chao Dong
• Abstract要約: 2つの効率的な設計を含むBSRN(Blueprint Separable Residual Network)を提案する。 ひとつは、冗長な畳み込み操作で発生するブループリント分離畳み込み(BSConv)である。 もう1つは、より効果的なアテンションモジュールを導入することで、モデル能力を高めることである。
• 参考スコア（独自算出の注目度）: 47.05693747583342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in single image super-resolution (SISR) have achieved extraordinary performance, but the computational cost is too heavy to apply in edge devices. To alleviate this problem, many novel and effective solutions have been proposed. Convolutional neural network (CNN) with the attention mechanism has attracted increasing attention due to its efficiency and effectiveness. However, there is still redundancy in the convolution operation. In this paper, we propose Blueprint Separable Residual Network (BSRN) containing two efficient designs. One is the usage of blueprint separable convolution (BSConv), which takes place of the redundant convolution operation. The other is to enhance the model ability by introducing more effective attention modules. The experimental results show that BSRN achieves state-of-the-art performance among existing efficient SR methods. Moreover, a smaller variant of our model BSRN-S won the first place in model complexity track of NTIRE 2022 Efficient SR Challenge. The code is available at https://github.com/xiaom233/BSRN.
• Abstract（参考訳）: 単一画像超解像(SISR)の最近の進歩は、異常な性能を達成したが、エッジデバイスに適用するには計算コストが大きすぎる。 この問題を緩和するために、多くの新しい効果的な解決策が提案されている。 注意機構を備えた畳み込みニューラルネットワーク(CNN)は,その効率性と有効性から注目を集めている。 しかし、畳み込み作業には冗長性が残っている。 本稿では,2つの効率的な設計を含むBlueprint Separable Residual Network (BSRN)を提案する。 ひとつはブループリント分離畳み込み(bsconv: blueprint separable convolution)を使用することで、冗長畳み込み操作が実行される。 もうひとつは,より効果的なアテンションモジュールを導入することで,モデルの能力を高めることだ。 実験結果から,BSRNは既存の効率的なSR手法の最先端性能を実現することが示された。 さらに,我々のモデルであるBSRN-Sの小型版が NTIRE 2022 Efficient SR Challenge のモデル複雑性トラックで優勝した。 コードはhttps://github.com/xiaom233/bsrnで入手できる。

関連論文リスト

• Large Kernel Distillation Network for Efficient Single Image Super-Resolution [8.094254341695684]
  近年,シングルイメージ超解像 (SISR) が注目されている。 現在のSOTA(State-of-the-art)モデルは高い計算コストなどの問題に直面している。 本稿では,LKDN(Large Kernel Distillation Network)を提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:21:56Z)
• RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
  深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。 本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-17T11:06:29Z)
• ShuffleMixer: An Efficient ConvNet for Image Super-Resolution [88.86376017828773]
  本稿では、大きな畳み込みとチャネル分割シャッフル操作を探索する軽量画像超解像のためのShuffleMixerを提案する。 具体的には,チャネル分割とシャッフルを基本成分とする2つのプロジェクション層を効率よく混合する。 実験結果から,ShuffleMixerはモデルパラメータやFLOPの手法に比べて約6倍小さいことがわかった。
  論文  参考訳（メタデータ） (2022-05-30T15:26:52Z)
• Residual Local Feature Network for Efficient Super-Resolution [20.62809970985125]
  本研究では,Residual Local Feature Network (RLFN)を提案する。 主なアイデアは、3つの畳み込みレイヤを局所的な特徴学習に使用して、機能の集約を単純化することだ。 さらに,NTIRE 2022の高効率超解像問題において,第1位を獲得した。
  論文  参考訳（メタデータ） (2022-05-16T08:46:34Z)
• Hybrid Pixel-Unshuffled Network for Lightweight Image Super-Resolution [64.54162195322246]
  畳み込みニューラルネットワーク(CNN)は画像超解像(SR)において大きな成功を収めた ほとんどのディープCNNベースのSRモデルは、高い性能を得るために大量の計算を処理している。 SRタスクに効率的かつ効果的なダウンサンプリングモジュールを導入することで,HPUN(Hybrid Pixel-Unshuffled Network)を提案する。
  論文  参考訳（メタデータ） (2022-03-16T20:10:41Z)
• 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)
• Iterative Network for Image Super-Resolution [69.07361550998318]
  単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。 本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。 反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
  論文  参考訳（メタデータ） (2020-05-20T11:11:47Z)

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。