.png){kind=icon}
返回
Dilated-convolutional feature modulation network for efficient image super-resolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s11554-025-01663-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在图像超分辨率（SR）领域，基于深度学习的模型取得了显著成功。然而，由于计算和内存限制，这些模型通常与低功耗设备存在兼容性问题。为解决这一挑战，已提出大量轻量且高效的模型。虽然这些模型通常采用较小的卷积核和较浅的架构以减少参数数量和计算复杂度，但它们往往忽视了捕捉全局感受野的重要性。本文提出了一种简单而有效的深度网络，即空洞卷积特征调制网络（DCFMN），以解决这些局限性。具体而言，我们引入了空洞可分离调制单元（DSMU）以聚合来自不同大感受野的空间信息。为补充DSMU的长距离处理特性，我们进一步设计了局部特征增强模块（LFEM）以提取局部上下文信息，实现有效的通道融合。此外，通过利用参数重组技术，我们确保模型在推理过程中不产生额外的计算开销。广泛的实验结果表明，我们的DCFMN在现有高效SR方法中表现竞争力，同时保持紧凑的模型尺寸和低计算复杂度。
Keyword:
Image super-resolution
Deep learning
Lightweight
Reparameterization
期刊
IF:
3
论文数:
400
被引数:
2.0K
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容