.png){kind=icon}
返回
Plkdcn: lightweight single-image super-resolution via partial large-kernel depthwise convolution
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-026-04742-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度卷积神经网络（CNNs）在单图像超分辨率（SISR）任务中表现出卓越性能，这得益于其捕捉局部特征的能力。然而，获得满意性能通常需要足够的网络深度和宽度，且网络过于简化时性能会下降。尽管能够建模长距离依赖关系的Transformer也常用于超分辨率任务，但它们带来了显著更高的计算成本。因此，平衡网络复杂度与性能值得仔细考虑。为解决这些挑战，我们提出了一种部分大核深度可分离卷积网络（PLKDCN）用于轻量级图像超分辨率。该方法在特征调制注意力块（FMAB）中集成了多种轻量化技术，包含三个主要模块：PLKDC、DCFN和EA。具体而言，我们将“部分”处理的概念引入模块，并采用深度可分离卷积以减少卷积层的计算负载。部分大核深度可分离卷积（PLKDC）模块利用部分卷积通过仅对输入通道的子集应用卷积来去除特征图中的冗余信息，同时通过大核深度可分离卷积补偿轻量化可能带来的性能下降。此外，深度可分离前馈网络（DCFN）被设计用于捕捉长距离依赖关系，而逐元素注意力（EA）被引入以增强高频信息，进一步提升了性能。大量实验表明，所提出的PLKDCN在准确率-复杂度权衡方面优于当前最先进的轻量级SISR方法。对于×4超分辨率，基础PLKDCN模型仅有415K参数和28G FLOPs，在NVIDIA A40 GPU上的推理延迟为16.5ms。评估在五个标准合成基准和真实世界的RealSR数据集上进行，验证了所提设计的有效性。代码和预训练模型可在https://github.com/sxdyyds/PLKDCN获取。
Keyword:
Single-image super-resolution
Lightweight image restoration
Efficient neural networks
Large-kernel depthwise convolution
Partial convolution
Frequency-domain loss
Resource-constrained deployment
期刊
IF:
2.9
论文数:
4.6K
被引数:
6.5K
机构
暂无机构信息
引用论文
PFAN: progressive feature aggregation network for lightweight image super-resolutionPFAN：渐进式特征聚合网络，用于轻量级图像超分辨率.png)
VISUAL COMPUTER
VISUAL COMPUTERIF2.9
PREAI
分享收藏A Lightweight Depthwise Separable ConvNet with Frequency-domain Enhancement for Retinal Vessel Segmentation一种轻量级深度可分离卷积网络及其在视网膜血管分割中的频域增强方法
PREAI
分享收藏DLKN: enhanced lightweight image super-resolution with dynamic large kernel networkDLKN: 基于动态大内核网络的增强型轻量级图像超分辨率VISUAL COMPUTER
VISUAL COMPUTERIF2.9
PREAI
分享收藏Efficient image super-resolution via convolutional shift and parameter-free attention mechanisms通过卷积移位和无参数注意力机制实现高效图像超分辨率
PREAI
分享收藏
查看更多内容