要約
最近、深層畳み込みニューラルネットワーク（CNNs）は単一画像の超解像において著しい進歩を遂げています。しかし、ネットワークの深さと幅が増加するにつれて、CNNを基にした超解像手法は実際の使用において計算複雑度とメモリ消費量という課題に直面しています。これらの問題を解決するために、私たちは元の低解像度画像から直接高解像度画像を再構成するための深層かつコンパクトな畳み込みネットワークを提案します。一般的に、提案されたモデルは特徴抽出ブロック、積み重ねられた情報蒸留ブロック、および再構成ブロックの3つの部分で構成されています。強化ユニットと圧縮ユニットを組み合わせた蒸留ブロックにより、局所的な長距離および短距離特徴が効果的に抽出されます。特に、提案された強化ユニットは2種類の異なる特徴を混ぜ合わせ、圧縮ユニットは後続のブロックのためにより有用な情報を蒸留します。さらに、提案されたネットワークは各層あたりのフィルタ数が比較的少ないこととグループ畳み込みを使用していることから高速な実行速度という利点があります。実験結果は、提案手法が最新手法よりも優れていることを示しており、特に時間性能においてその優位性が顕著です。