論文の概要: QuickSRNet: Plain Single-Image Super-Resolution Architecture for Faster
Inference on Mobile Platforms
- arxiv url: http://arxiv.org/abs/2303.04336v1
- Date: Wed, 8 Mar 2023 02:19:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 15:16:51.311063
- Title: QuickSRNet: Plain Single-Image Super-Resolution Architecture for Faster
Inference on Mobile Platforms
- Title(参考訳): QuickSRNet: モバイルプラットフォームでの高速推論のための平易な単一イメージ超解法アーキテクチャ
- Authors: Guillaume Berger and Manik Dhingra and Antoine Mercier and Yashesh
Savani and Sunny Panchal and Fatih Porikli
- Abstract要約: QuickSRNetはモバイルプラットフォーム上のリアルタイムアプリケーションのための効率的な超解像度アーキテクチャである。
提案アーキテクチャは,最新のスマートフォンで2.2msで2倍のアップスケーリングによって1080pの出力を生成する。
- 参考スコア(独自算出の注目度): 36.962828335199596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present QuickSRNet, an efficient super-resolution
architecture for real-time applications on mobile platforms. Super-resolution
clarifies, sharpens, and upscales an image to higher resolution. Applications
such as gaming and video playback along with the ever-improving display
capabilities of TVs, smartphones, and VR headsets are driving the need for
efficient upscaling solutions. While existing deep learning-based
super-resolution approaches achieve impressive results in terms of visual
quality, enabling real-time DL-based super-resolution on mobile devices with
compute, thermal, and power constraints is challenging. To address these
challenges, we propose QuickSRNet, a simple yet effective architecture that
provides better accuracy-to-latency trade-offs than existing neural
architectures for single-image super resolution. We present training tricks to
speed up existing residual-based super-resolution architectures while
maintaining robustness to quantization. Our proposed architecture produces
1080p outputs via 2x upscaling in 2.2 ms on a modern smartphone, making it
ideal for high-fps real-time applications.
- Abstract(参考訳): 本稿では,モバイルプラットフォーム上でリアルタイムアプリケーションを実現するための,効率的な超解像アーキテクチャQuickSRNetを提案する。
超解像度は画像の高解像度化、シャープ化、アップスケール化を行う。
ゲームやビデオ再生などのアプリケーションや、テレビ、スマートフォン、VRヘッドセットのディスプレイ能力の向上は、効率的なアップスケーリングソリューションの必要性を喚起している。
既存のディープラーニングベースの超高解像度アプローチは、視覚的品質の観点から見事な結果をもたらすが、計算、熱、電力制約のあるモバイルデバイスでリアルタイムDLベースの超高解像度を実現することは困難である。
このような課題に対処するため,我々は,単一画像のスーパーレゾリューションのための既存のニューラルネットワークよりも精度とレイテンシのトレードオフを提供する,シンプルで効果的なアーキテクチャであるquicksrnetを提案する。
量子化に対する堅牢性を維持しつつ,既存の残差ベース超解像アーキテクチャを高速化する訓練手法を提案する。
提案するアーキテクチャは,最新のスマートフォンで2.2ミリ秒で2倍のアップスケーリングで1080pの出力を生成する。
関連論文リスト
- FuseSR: Super Resolution for Real-time Rendering through Efficient
Multi-resolution Fusion [38.67110413800048]
最も一般的な解決策の1つは、レンダリングオーバーヘッドを減らすために、低解像度で画像をレンダリングすることである。
本稿では,高品質なアップサンプル再構成を予測できる効率的かつ効率的な超解像法を提案する。
実験の結果,提案手法は時間的に一貫した再構築を4倍の4倍の4倍の4倍の4倍の4倍の8倍の8倍のアップサンプリングをリアルタイムに行うことができることがわかった。
論文 参考訳(メタデータ) (2023-10-15T04:01:05Z) - AsConvSR: Fast and Lightweight Super-Resolution Network with Assembled
Convolutions [32.85522513271578]
リアルタイム性能を実現するために,高速かつ軽量な超解像ネットワークを提案する。
超解像における分割・畳み込みの応用を解析することにより、入力特徴に応じて畳み込みカーネルを適応できる組込み畳み込みを提案する。
NTIRE 2023 Real-Time Super-Resolution - Track 1で優勝した。
論文 参考訳(メタデータ) (2023-05-05T09:33:34Z) - Efficient and Accurate Quantized Image Super-Resolution on Mobile NPUs,
Mobile AI & AIM 2022 challenge: Report [144.41960648643564]
本稿では,高効率な量子化画像超解法を設計するための参加者を提案する。
このソリューションはモバイルNPU上でリアルタイムのパフォーマンスを示すことができる。
全てのモデルのランタイムは、専用のエッジNPUを備えたSynaptics VS680 Smart Homeボードで評価された。
論文 参考訳(メタデータ) (2022-11-07T22:27:58Z) - Generative Adversarial Super-Resolution at the Edge with Knowledge
Distillation [1.3764085113103222]
シングルイメージのスーパーソリューションは、信頼できるビジュアルストリームが必要な環境でのロボットタスクをサポートすることができる。
我々は,EdgeSRGANと呼ばれるリアルタイム超解法のための効率的な生成逆ネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-09-07T10:58:41Z) - Efficient High-Resolution Deep Learning: A Survey [90.76576712433595]
スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。
このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。
ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。
文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
論文 参考訳(メタデータ) (2022-07-26T17:13:53Z) - SwiftSRGAN -- Rethinking Super-Resolution for Efficient and Real-time
Inference [0.0]
本稿では,メモリフットプリントの高速化と小型化を実現したアーキテクチャを提案する。
リアルタイムの超解像度により、帯域幅の低い条件下でも高解像度のメディアコンテンツをストリーミングできる。
論文 参考訳(メタデータ) (2021-11-29T04:20:15Z) - Achieving on-Mobile Real-Time Super-Resolution with Neural Architecture
and Pruning Search [64.80878113422824]
リアルタイムの推論要求を満たすとともに、画像品質の高いスパース超解像モデル(SR)を導出する自動探索フレームワークを提案する。
提案したフレームワークでは、競合画像の品質を持つ720pの解像度を実現するために、リアルタイムSR推論(フレームあたり数ミリ秒)を初めて実現している。
論文 参考訳(メタデータ) (2021-08-18T06:47:31Z) - Real-Time Video Super-Resolution on Smartphones with Deep Learning,
Mobile AI 2021 Challenge: Report [135.69469815238193]
ビデオの超高解像度化は、ビデオ通信とストリーミングサービスの台頭により、モバイル関連で最も重要な問題の一つになっている。
この問題に対処するために、私たちは、エンドツーエンドのディープラーニングベースのビデオ超解解ソリューションを開発することを目的とした、最初のMobile AIチャレンジを紹介します。
提案したソリューションは、あらゆるモバイルGPUと完全に互換性があり、高忠実度の結果を示しながら、最大80FPSのHD解像度でビデオをアップスケールすることができる。
論文 参考訳(メタデータ) (2021-05-17T13:40:50Z) - Real-Time Quantized Image Super-Resolution on Mobile NPUs, Mobile AI
2021 Challenge: Report [67.86837649834636]
我々は,エンド・ツー・エンドのディープラーニングベースの画像超解像ソリューションを開発することを目的とした,最初のモバイルaiチャレンジを紹介する。
提案されたソリューションは、すべての主要なモバイルAIアクセラレータと完全に互換性があり、40-60ms以下のフルHDイメージを再構築することができる。
論文 参考訳(メタデータ) (2021-05-17T13:34:15Z)
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。