Spatial-gate self-distillation network for efficient image super-resolution

doi:10.1016/j.knosys.2025.114398

Spatial-gate self-distillation network for efficient image super-resolution

2025-09-09

0

PRE

AI

DOI：10.1016/j.knosys.2025.114398

原文链接

原文求助

摘要

En 中文

对非局部和局部特征的平衡提取是有效图像超分辨率（SR）的关键要求。虽然基于变换器的自注意力（SA）机制展示了卓越的非局部建模能力，但其巨大的计算需求限制了实际部署。为解决这一效率-性能权衡，空间门自蒸馏网络（SGSDN）采用双容量架构，结合：一个SA类（SAL）模块，通过在水平和垂直方向上采用战略性扩张的1D深度可分离卷积实现高效非局部特征提取，以及一个轻量级局部空间门（LKG）块，用于优化局部细节保留。此外，所提出的空间门自蒸馏块（SGSDB）通过优化的蒸馏结构进一步提升了性能，该结构同时处理两种特征类型，同时最小化内存开销。实验结果表明，SGSDN在性能-复杂度平衡方面表现优异，基准评估显示其准确度与SwinIR-light相当，但仅需要25%的计算资源（FLOPs）和25%的参数，这归因于其避免了计算密集型的矩阵运算。

Spatial-gate self-distillation network for efficient image super-resolution

摘要

期刊

机构

引用论文