AsConvSR | NTIRE2023-RTSR-Track1冠军方案
编辑 | Happy
首发 | AIWalker
链接 | https://mp.weixin.qq.com/s/p9u6RYkd37MmN12rUCMCuQ
前段时间，NTIRE2023各个竞赛落下帷幕，近期各个冠亚军方案提出者也在逐步公开方案细节。今天给大家概要介绍一下"RTSR-Track1"赛道冠军方案，方案提出者来自华为诺亚与华为海思。
AsConvSR
由于竞赛同时关注PSNR与推理耗时（计算方式如下），所以网络结构的设计尤其要关注下耗时因素的影响。
S
c
o
r
e
=
2
P
S
N
R
−
b
i
c
u
b
i
c
⋅
2
C
⋅
r
u
n
t
i
m
e
Score = \frac{2^{PSNR-bicubic} \cdot 2}{C \cdot \sqrt{runtime}}
Score=C⋅runtime2PSNR−bicubic⋅2
AsConvSR网络结构非常的简单，需要关注的有两个：
- PixelUnShuffle 该操作有助于减少网络整体推理耗时，它与超分领域常用的PixelShuffle为互逆操作。
- Assembled Block 该思想源自LAPAR一文，一种动态卷积操作。
实验结果
上图为所提方案与近年来轻量化网络的统计信息对比，重建效果对比。总体来说，AsConvSR在竞赛指标方面确实存在非常明显的优势。
上表给出了竞赛前五方案的指标信息对比，所提方案优势还是挺明显的，_
推荐阅读
- ChatGPT聊图像超分，总结确实挺到位，哈哈
- 大核分解与注意力机制的巧妙结合，图像超分多尺度注意网络MAN
- CVPR2023 | 非局部注意力、局部自注意力、样条注意力协同助力图像复原达成新 SOTA!
- NAFNet ：无需非线性激活，真“反直觉”！但复原性能也是真强！
- CVPR 2022 Oral | MLP进军底层视觉！谷歌提出MAXIM模型刷榜多个图像处理任务
- ELAN | 比SwinIR快4倍，图像超分中更高效Transformer应用探索
- CNN与Transformer相互促进，助力ACT进一步提升超分性能
- CVPR2022 | Restormer: 刷新多个low-level任务指标
- Transformer在图像复原领域的降维打击！ETH提出SwinIR：各项任务全面领先
原文地址：https://blog.csdn.net/huohu728/article/details/136410289
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！