.png){kind=icon}
返回
A novel multi-granularity context-adaptive downsampling convolution for low-resolution images
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2026.123223.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际应用中，低分辨率输入图像较为常见，但现有模型在此场景下性能显著下降，因为它们无法学习到足够的信息性特征。大多数模型依赖步长卷积或池化层进行下采样，这进一步加剧了信息损失。为解决此问题，我们提出了一个细粒度信息保持（FIP）子模块，以减轻下采样过程中的局部细节损失。此外，传统卷积通常仅关注局部区域，难以建模长距离上下文依赖关系。为克服此限制，我们设计了一个粗粒度上下文聚合（CCA）子模块，以在多粒度级别上进一步挖掘上下文信息。考虑到不同场景中上下文信息的重要性存在差异，我们进一步引入了上下文感知粒度适配器（CAGA），动态调整不同粒度的贡献以增强特征提取。与先前的多膨胀或空间到深度设计不同，我们的方法显式地建模了自适应多粒度融合，灵活融合细粒度细节和粗粒度上下文信息。因此，我们提出了一种新颖的多粒度上下文自适应下采样卷积（MCDC），作为传统下采样层的替代方案。我们的方法无需任务特定设计，可无缝集成到各种低分辨率模型中。在基准数据集（TinyImageNet、COCO、MPII和CIFAR-10）上的大量实验验证了其有效性。代码可在：https://github.com/guzejungithub/MCDC。
Keyword:
Low-resolution images
Multi-granularity
Context-adaptive
Downsampling convolution
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
.png){kind=icon}
Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based LocalizationGrad-cam: 通过基于梯度的定位从深度网络进行视觉解释
OAAI
OAAI分享收藏
分享收藏
查看更多内容