Schnelle und genaue Super-Resolution von Einzelbildern durch Informationsdestillationsnetzwerk

Kürzlich haben tiefe Faltungsneuronale Netze (CNNs) beachtliche Fortschritte bei der Super-Resolution einzelner Bilder erzielt. Allerdings steigen mit zunehmender Tiefe und Breite der Netze die Herausforderungen hinsichtlich der Rechenkomplexität und des Speicherverbrauchs in der Praxis. Um diese Fragen zu lösen, schlagen wir ein tiefes, aber kompaktes Faltungsnetz vor, das das hochaufgelöste Bild direkt aus dem ursprünglichen nieder-auflösenden Bild rekonstruiert. Im Allgemeinen besteht das vorgeschlagene Modell aus drei Teilen: einem Feature-Extraktionsblock, mehreren gestapelten Informations-Destillationsblöcken und einem Rekonstruktionsblock. Durch die Kombination eines Verbesserungselements mit einem Kompressionselement in einem Destillationsblock können lokale Lang- und Kurzweg-Features effektiv extrahiert werden. Insbesondere mischt das vorgeschlagene Verbesserungselement zwei verschiedene Arten von Features zusammen, während das Kompressionselement nützlichere Informationen für die nachfolgenden Blöcke destilliert. Darüber hinaus zeichnet sich das vorgeschlagene Netzwerk durch eine schnelle Ausführung aus, aufgrund der vergleichsweise geringen Anzahl von Filtern pro Schicht und der Verwendung von Gruppenfaltung. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode den Stand der Technik übertreffen kann, insbesondere in Bezug auf die Zeitperformance.请注意，这里有一个小错误：“使其更符合法语读者的阅读习惯”应该是“使其更符合德语读者的阅读习惯”。我已经根据德语的要求进行了翻译。