IJCV 2024 | SRConvNet：一种用于轻量级图像超分辨率的 Transformer 风格卷积网络

最新推荐文章于 2025-11-30 17:55:06 发布
最新推荐文章于 2025-11-30 17:55:06 发布
阅读量355 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 计算机顶会顶刊论文解读 文章标签： transformer 网络 深度学习 计算机顶刊 论文解读 IJCV
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_42722197/article/details/146133786

论文信息

题目：SRConvNet: A Transformer-Style ConvNet for Lightweight Image Super-Resolution
SRConvNet：一种用于轻量级图像超分辨率的 Transformer 风格卷积网络
作者：Feng Li、Runmin Cong、Jingjing Wu、Huihui Bai、Meng Wang、Yao Zhao
源码：https://github.com/lifengcs/SRConvNet

论文创新点

  1. 提出新型网络架构：论文提出了SRConvNet，融合了卷积神经网络（ConvNet）和视觉Transformer（ViT）的优点，用于轻量级图像超分辨率（SISR）任务。该网络通过特殊设计，在效率和准确性之间达到了较好的平衡，相比现有方法具有显著优势。
  2. 设计傅里叶调制注意力机制：创新地提出傅
了解本专栏 订阅专栏 解锁全文
【图像超分】论文精读：SRConvNet: A Transformer-Style ConvNet for Lightweight Image Super-Resolution
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
06-04 462
本文提出了一种轻量级图像超分辨率重建方法SRConvNet，结合了卷积神经网络和Transformer的优势。针对传统Transformer计算复杂度高的问题，设计了傅立叶调制注意力(FMA)替代自注意力机制，通过区域频率空间调制实现高效的全局依赖建模；同时引入动态混合层(DML)，采用混合尺度动态卷积结合通道拆分机制增强局部特征提取。实验表明，SRConvNet在计算效率和参数数量上显著优于现有轻量级超分方法，同时保持了优异的重建性能。该方法为移动端部署提供了有效的解决方案，在精度与复杂度间取得了良好平衡
Conv2Former：用于视觉识别的简单 Transformer-Style的ConvNet
m0_47867638的博客
04-22 514
本文并没有试图设计一种最先进的视觉识别方法，而是研究了一种更有效的方法，利用卷积来编码空间特征。通过比较最近的卷积神经网络(ConvNets)和Vision transformer的设计原理，我们提出利用卷积调制操作来简化自注意。我们证明了这样一个简单的方法可以更好地利用嵌套在卷积层中的大内核(≥7 × 7)。我们使用所提出的卷积调制(称为Conv2Former)构建了一个层次ConvNets家族。我们的网络简单易懂。
超强！傅里叶调制注意力FMA，线性复杂度捕捉全局感受野，直接涨点！
小白学视觉
07-04 361
在基准数据集上的定量结果表明，SRConvNet在参数和计算成本方面显著优于现有方法，特别是在×2、×3和×4放大倍数下的PSNR和SSIM表现。通过可视化比较，SRConvNet生成的高分辨率图像具有更清晰的细节和更准确的纹理，尤其在“barbara”和“img_92”等图像的重建中表现出明显优势。通过逐步添加FMA的不同组件，研究验证了每个组件对SR重建的贡献。本研究提出的新机制如傅里叶调制注意力和动态混合层，为轻量级图像超分辨率任务提供了新的解决方案，展示了在资源受限设备上高效部署的可能性。
SRConvNet
weixin_52111694的博客
10-22 764
本文针对视觉 Transformer（ViT）的多头自注意力（MHSA）计算复杂度高、轻量级卷积神经网络（ConvNet）性能有限的问题，提出融合两者优势的轻量级图像超分辨率模型SRConvNet（纯 Transformer 风格的 ConvNet）。主要工作包括：（1）设计傅里叶调制注意力（FMA）：模拟 MHSA 的全局依赖建模能力，通过 “空间 - 傅里叶交互 + 区域调制” 实现长短期依赖学习，计算复杂度远低于 MHSA；
【轻量级自适应加权网络：超分】
weixin_43690932的博客
02-21 1792
仅供自己参考
IJCV 2025 | SRConvNet：一种用于轻量级图像超分辨率的 Transformer 风格卷积网络
数据派THU
06-08 1253
（2）动态混合层（DML），利用混合尺度的深度动态卷积以及通道分割和混洗，探索多尺度上下文信息，增强模型的局部性和适应性。受此设计原理的启发，如图2b所示，傅里叶调制注意力（FMA）执行区域频率 - 空间调制，在空间和通道维度上从局部到全局学习上下文信息，实现对长期和短期依赖关系的建模。FMA模仿ViT中的多头自注意力（MHSA），通过区域频率 - 空间调制，在比典型MHSA更低的计算成本下，实现从全局到局部的上下文学习，有效对长期和短期依赖关系进行建模，提升了模型的SR重建能力。为简单描述，作者定义。
YOLOv8改进 | 有效涨点 | 使用CVPR2025 OverLock中的RepConBlock改进C2f模块
🅽🅸🅲🅺🅴🆁🅽🅴🅻 ⓃⒾⒸⓀⒺⓇⓃⒺⓁ
06-10 950
为提升 YOLOv8 在目标检测任务中的特征表达能力，本文通过所提出的Deep-stage Decomposition Strategy中Base-Net的核心模块RepConvBlock改进YOLOv8的C2f模块。RepConvBlock通过膨胀卷积、通道注意力等其他模块实现了**在学习到较大感受野的同时增强卷积神经网络的特征表达能力。
IJCV 2025 | LSKNet：一种用于遥感的基础轻量级主干网络
小白学视觉
06-29 205
由于遥感图像固有的复杂性，其给下游任务带来了独特的挑战。尽管已有大量研究致力于遥感图像分类、目标检测、语义分割和变化检测，但这些研究大多忽略了遥感场景中所蕴含的有价值的先验知识。这些先验知识之所以有用，是因为如果不参考足够大范围的上下文信息，遥感目标可能会被误识别，且不同目标所需的上下文信息也有所不同。本文考虑了这些先验知识，并提出了一种轻量级的大选择性内核网络（Large Selective Kernel Network, LSKNet）骨干网络。
【即插即用模块】Transformer篇 | IJCV 2025 | SEAA：实测最轻量的自注意力，细节增强使分类/检测/分割等任务全涨点！
最新发布
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
11-30 47
文章摘要： SeaFormer++提出了一种轻量级视觉Transformer模块SEAA（Squeeze-Enhanced Axial Attention），通过三重优化解决高分辨率任务中计算复杂度与局部细节丢失的矛盾。其核心设计包括：1）细节增强分支（深度可分离卷积强化局部特征）；2）轴注意力压缩（行列双轴平均池化降低计算量）；3）门控融合机制（h_sigmoid自适应加权全局与局部特征）。实验表明，该模块在移动端视觉任务中实现SOTA性能，如Cityscapes分割任务mIoU达77.1%，计算量仅0.
近三年图像超分辨率研究进展综述（轻量化方向）
智能守恒_HengAI
03-08 976
图像超分辨率技术正从单纯追求重建质量转向效率-精度-泛化的多维优化，轻量化与端侧部署成为工业落地的核心驱动力。未来需在算法创新、硬件协同与跨领域融合三方面持续突破，最终实现“感知-计算-应用”闭环的智能成像系统。预计到2026年，端侧SR模型在旗舰手机中的渗透率将超过60%，推动计算摄影进入“无损变焦”新纪元。
IJCV 2024 | 低级视觉数据增强：CutBlur及混合增强方法
小白学视觉
03-25 112
数据增强（DA）是提高深度网络性能的有效方式。遗憾的是，目前的方法大多是为高级视觉任务（例如，图像分类）开发的，很少有研究关注低级任务（例如，图像恢复）。在本文中，我们对现有频率域中的DAs进行了全面分析。我们发现，那些在很大程度上操纵空间信息的方法可能会阻碍图像恢复过程并损害性能。基于我们的分析，我们提出了CutBlur 和混合增强（MoA）。CutBlur 将低质量补丁剪切并粘贴到相应的高质量图像区域，或反之亦然。关键的直觉是在保持像素分布完整的情况下提供足够的DA效果。
PlainUSR: Chasing Faster ConvNet for Efficient Super-Resolution——追求更快的卷积网络以实现高效超分辨率
Together_CZ的博客
02-11 1323
PlainUSR:ChasingFasterConvNetforEfficientSuper-Resolution——追求更快的卷积网络以实现高效超分辨率
轻量图像超分辨率残差网络：Attention与ResNet融合
热门推荐
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
04-01 6万+
本文提出了一种名为RNET（Residual Network with Efficient Transformer）的网络，该网络结合了三种有效的设计元素：1. 使用蓝图可分离卷积代替传统卷积，减少计算负担。2. 提出局部特征提取的残差连接结构，简化特征聚合，加速推理。3. 将空间注意和通道注意机制被整合到我们的模型中。注意力机制通过让模型关注图像关键区域提升了识别精度，而轻量级残差网络通过减少参数和计算量，实现了在低资源消耗下的优秀性能。结合注意力机制与轻量级残差网络。
CVPR 2024 | CAMixerSR：2K/8K/轻量级/全景图像超分又快又强！（字节&南开）
AIGCer的博客
03-07 4045
近年来，神经网络的研究显著提高了图像超分辨率（SR）的质量。然而，现有方法在生成视觉上令人愉悦的高分辨率（HR）图像的同时，在现实世界的应用中遭遇了密集的计算负担，特别是对于2K-8K分辨率的输入。为了减轻这种开销，许多加速框架和轻量级网络被引入用于实际的超分辨率应用。然而，这些方法是完全独立的，缺乏协作。第一个策略，加速框架，基于这样一个观察：不同的图像区域需要不同的网络复杂性，这从变化的模型内容感知路线的角度解决了问题。
【论文阅读】A Hybrid Network of CNN and Transformer for Lightweight Image Super-Resolution
博客
05-04 1927
最近，许多基于CNN的方法在单图像超分辨率方面取得了巨大进展。然而，这些现有架构通常构建大量网络层，带来高计算复杂性和高内存消耗，这不适合应用于诸如移动平台的嵌入式终端。为了解决这个问题，我们提出了一种用于轻量级图像超分辨率的CNN和Transformer（HNCT）混合网络。通常，HNCT由四个部分组成，分别是浅层特征提取模块、CNN和Transformer混合块（HBCT）、密集特征融合模块和上采样模块。
SCConv：用于特征冗余的空间和通道重构卷积
AI浩
08-21 3774
代码链接：https://github.com/cheng-haha/ScConv论文链接：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf。
【超分辨率】Laplacian Pyramid Networks（LapSRN）
Shwan_ma的博客
12-02 1万+
期刊论文： https://arxiv.org/abs/1710.01992 会议论文CVPR2017： http://vllab.ucmerced.edu/wlai24/LapSRN/papers/cvpr17_LapSRN.pdf 项目主页：http://vllab.ucmerced.edu/wlai24/LapSRN/看了眼作者，Jia-Bin Huang是传统算法领域（呃，自从深度学
【深度学习】注意力机制（三）
AI爱好者的博客，分享计算机领域相关知识
12-11 2015
本文介绍一些注意力机制的实现，包括EMHSA/SA/SGE/AFT/Outlook Attention。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值