本文提出了一种新的单图像超分辨率方法，称为高效残差注意力网络（ERAN）。针对现有SISR方法的挑战，如特征表示瓶颈和推理效率问题，ERAN引入了通道漏斗型残差结构（CHRS）和有效通道注意力（ECA）模块。CHRS由多个嵌套的残差模块组成，旨在以较少的参数学习更具有辨别力的特征。ECA通过一维卷积捕获跨通道交互信息。实验结果显示，ERAN在性能和计算效率方面与现有SOTA模型相比有所提升。
目录
1、论文来源
- 2022中科院SCI三区Applied Intelligence
- 点击下载论文：https://link.springer.com/content/pdf/10.1007/s10489-021-02489-x.pdf
2、摘要
- 当前的SISR网络主要是利用残差结构以及注意力机制实现了较好的重建性能。
- 本文主要针对SISR重建方法现存问题进行了研究，分别是：
- 深层网络结构遇到的特征表示瓶颈；
- 同时，忽略了模型推理阶段中的效率问题。
- 为了解决上述问题，文章提出了一个通道漏斗型残差结构（channel hourglass residual structure，CHRS），同时探究了ECA（efficient channel attention）机制在提取富有表示能力的特征（representative features）与缓解计算负担两个方面的效果。
- CHRS主要有几个嵌套的残差模块组成，其设计意图在于使用更少的模型参数的情况下学习更具辨识度的&
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
