Schnelle, genaue und leichtgewichtige Super-Resolution mit neuronalen Architektur-Suchverfahren

Tiefe Faltungsneuronale Netze zeigen beeindruckende Ergebnisse im Bereich der Super-Resolution. Eine Reihe von Studien konzentriert sich darauf, das Peak-Signal-Rausch-Verhältnis (PSNR) durch die Verwendung viel tieferer Schichten zu verbessern, was jedoch nicht für Ressourcen mit Einschränkungen geeignet ist. Die Suche nach einem Kompromiss zwischen der Restaurationskapazität und der Einfachheit der Modelle bleibt weiterhin nicht trivial. Kürzliche Beiträge bemühen sich, dieses Gleichgewicht manuell zu maximieren, während unsere Arbeit dasselbe Ziel automatisch durch die Neurale Architektursuche erreicht. Insbesondere behandeln wir die Super-Resolution mit einem mehrzielorientierten Ansatz. Zudem schlagen wir eine elastische Suchstrategie sowohl auf Mikro- als auch auf Makroebene vor, basierend auf einem hybriden Controller, der von evolutionärer Berechnung und Reinforcement Learning profitiert. Quantitative Experimente helfen uns zu dem Schluss zu kommen, dass unsere generierten Modelle die meisten Stand-of-the-Art-Methoden hinsichtlich der individuellen FLOPS übertrumpfen.请注意，这里的“FLOPS”是指“floating-point operations per second”，即每秒浮点运算次数，这是一个在计算机科学中常用的术语，因此直接保留了英文原词。