【2023 CCF 大数据与计算智能大赛】基于TPU平台实现超分辨率重建模型部署 基于FSRCNN的TPU平台超分辨率模型部署方案

2023 CCF 大数据与计算智能大赛

基于TPU平台实现超分辨率重建模型部署

基于FSRCNN的TPU平台超分辨率模型部署方案

WELL

刘渝

人工智能 研一

西安交通大学

中国-西安

1461003622@qq.com

史政立

网络空间安全 研一

西安交通大学

中国-西安

1170774291@qq.com

崔琳、张长昊、郭金伟

软件工程等 研一

北京大学软微学院

中国-北京

g1335129739@163.com

团队简介

刘渝：西安交通大学本硕，目前研一，研究兴趣是机器人多模态感知

史政立：西安交通大学本硕，网络空间安全专业。曾获得首届人工智能安全大赛优秀奖

崔琳：本科毕业于西安交通大学，目前北京大学软件与微电子学院研一在读，主要进行多模态和dml方向的研究以及学习

张长昊：研究生就读于北大软微软件工程专业，研究兴趣是时序数据预测

郭金伟：本科毕业于辽宁工程技术大学，在校期间获得数学竞赛国家一等奖，辽宁省acm竞赛银牌，硕士就读于北京大学软件与微电子学院，录取方向为人工智能

摘要

视觉效果逼真的Stable Diffusion在生成高分辨率图像时效率较低，在TPU平台上提高Stable Diffusion模型生成高分辨率图像的效率可以依靠超分辨率模型作为上采样器。

赛题的目标是为在边缘计算设备上提高高分辨率图像生成效率提供有效的技术方案，降低资源和内存需求，同时保证图像质量。

针对本赛题，我们经过对比分析采用了FSRCNN作为超分辨率模型，并设计了集中式超分辨率（Centralized Super Resolution）的方法与插值组合到一起用于提高图像分辨率。此外，我们将前后处理集成到模型中，利用TPU的算力加速前后处理的速度，以减少处理时间。

实验结果表明，我们的方法在牺牲一部分图像质量评估指标NIQE的情况下，显著减少了处理时间，在赛题给定的评价指标上具有较高的得分。我们还讨论了性能改进的可能性，包括考虑使用Bmcv硬件加速部分操作。

关键词

图像超分辨率，TPU模型部署

1 赛题数据分析

赛题的任务是针对给定的数据在TPU上进行超分辨率处理，以期实现推理速度与图像质量之间的最佳平衡。

我们首先从大小和内容两个方面分析了数据的基本构成，从尺寸上说：最大尺寸：2039*2039