論文の概要: Efficient Image Super-Resolution using Vast-Receptive-Field Attention

• arxiv url: http://arxiv.org/abs/2210.05960v1
• Date: Wed, 12 Oct 2022 07:01:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 15:40:40.230234
• Title: Efficient Image Super-Resolution using Vast-Receptive-Field Attention
• Title（参考訳）: Vast-Receptive-Field Attention を用いた高効率画像超解像
• Authors: Lin Zhou, Haoming Cai, Jinjin Gu, Zheyuan Li, Yingqi Liu, Xiangyu Chen, Yu Qiao, Chao Dong
• Abstract要約: 注意機構は、高度な超解像(SR)ネットワークの設計において重要な役割を果たす。 本研究では,アテンション機構の改善により,効率的なSRネットワークを設計する。 VAst-receptive-field Pixel attention networkであるVapSRを提案する。
• 参考スコア（独自算出の注目度）: 49.87316814164699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The attention mechanism plays a pivotal role in designing advanced super-resolution (SR) networks. In this work, we design an efficient SR network by improving the attention mechanism. We start from a simple pixel attention module and gradually modify it to achieve better super-resolution performance with reduced parameters. The specific approaches include: (1) increasing the receptive field of the attention branch, (2) replacing large dense convolution kernels with depth-wise separable convolutions, and (3) introducing pixel normalization. These approaches paint a clear evolutionary roadmap for the design of attention mechanisms. Based on these observations, we propose VapSR, the VAst-receptive-field Pixel attention network. Experiments demonstrate the superior performance of VapSR. VapSR outperforms the present lightweight networks with even fewer parameters. And the light version of VapSR can use only 21.68% and 28.18% parameters of IMDB and RFDN to achieve similar performances to those networks. The code and models are available at url{https://github.com/zhoumumu/VapSR.
• Abstract（参考訳）: 注意機構は、高度な超解像(SR)ネットワークの設計において重要な役割を果たす。 本研究では,アテンション機構を改善し,効率的なSRネットワークを設計する。 簡単なピクセルアテンションモジュールから始めて、パラメータを小さくすることで、より優れた超解像性能を実現するために徐々に修正する。 具体的なアプローチとしては,(1)注意ブランチの受容野の増大,(2)大規模密畳み込み核の奥行き分離畳み込みへの置換,(3)画素正規化の導入などがある。 これらのアプローチはアテンション機構の設計のための明確な進化のロードマップを描いている。 これらの観測結果に基づき,VAst-Receptive-field PixelアテンションネットワークであるVapSRを提案する。 実験はVapSRの優れた性能を示す。 VapSRはより少ないパラメータで現在の軽量ネットワークより優れている。 VapSRの軽量版では、IMDBとRFDNの21.68%と28.18%のパラメータしか使用できない。 コードとモデルは url{https://github.com/zhoumumu/vapsr で入手できる。

関連論文リスト

• Swift Parameter-free Attention Network for Efficient Super-Resolution [8.365929625909509]
  シングルイメージ超解像は、低レベルのコンピュータビジョンにおいて重要な課題である。 Swiftを提案します。 パラメータカウント、推論速度、画像品質のバランスをとるパラメータフリーアテンションネットワーク(SPAN)。 複数のベンチマークでSPANを評価し,画像品質と推論速度の両面で既存の高効率超解像モデルより優れていることを示した。
  論文  参考訳（メタデータ） (2023-11-21T18:30:40Z)
• Incorporating Transformer Designs into Convolutions for Lightweight Image Super-Resolution [46.32359056424278]
  大規模な畳み込みカーネルは畳み込みニューラルネットワークの設計に人気がある。 カーネルのサイズが大きくなるとパラメータの数が2倍に増加し、計算量やメモリの要求も大きくなる。 本稿では,自己注意機構を付加した標準畳み込みを改良した近傍注意モジュールを提案する。 NAモジュールをベースとして,TSRと呼ばれる軽量単一画像超解像(SISR)ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T01:32:18Z)
• Parameter-Free Channel Attention for Image Classification and Super-Resolution [31.428547682263947]
  チャネルアテンション機構は、画像処理タスクのパフォーマンスを高めるために、ディープ畳み込みニューラルネットワークで広く用いられている有用な技術である。 私たちはaを提案します。 Free Channel Attention (PFCA)モジュールは、人気のある画像分類と画像超解像ネットワークの性能を高める。 CIFAR-100, ImageNet, DIV2K による実験により,我々の PFCA モジュールは画像分類における ResNet の性能を改善し,画像超解像タスクにおける MSRResNet の性能を向上させることを確認した。
  論文  参考訳（メタデータ） (2023-03-20T12:08:58Z)
• 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)
• 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)
• 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)
• Attention in Attention Network for Image Super-Resolution [18.2279472158217]
  静的な注意メカニズムを定量化し、視覚化し、すべての注意モジュールが等しく有益ではないことを示します。 高精度な画像SRのために注目ネットワーク(A$2$N)への注目を提案します。 我々のモデルは最先端の軽量ネットワークと比較して優れたトレードオフ性能を実現することができる。
  論文  参考訳（メタデータ） (2021-04-19T17:59:06Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• 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。