Partial Large Kernel CNNs for Efficient Super-Resolution

最近，在超分辨率（SR）领域中，由于可以处理长距离依赖关系并根据实例自适应调整权重，变形金刚网络（transformers）比卷积神经网络（CNNs）在更少的浮点运算和参数数量方面表现更好。在本文中，我们证明了CNNs，虽然在当前的SR领域中受到的关注较少，但在直接效率指标方面超越了Transformers。通过将Transformers的优点融入CNNs中，我们旨在实现计算效率和性能的提高。然而，在主要处理大图像的SR领域中使用大内核会导致大量的计算开销。为了克服这个问题，我们提出了新颖的方法来使用大内核，可以将延迟降低86％，并利用元素注意力模块来模拟实例相关的权重。因此，我们引入了部分大内核CNNs用于高效超分辨率（PLKSR），在4个$\times$4的数据集上实现了最先进的性能，在延迟和最大GPU内存占用方面与SRFormer-light相比分别降低了68.1％和80.2％。

论文旨在通过将Transformer的优势融入CNN中，实现计算效率和性能的双重提升，解决超分辨率（SR）领域中大核处理大图像时的计算负担问题。

论文提出了一种新型的CNN架构——Partial Large Kernel CNNs for Efficient Super-Resolution（PLKSR），通过采用新颖的大核处理方式和Element-wise Attention模块来模拟实例相关权重，实现了对四个数据集在$ imes$4尺度上的超分辨率任务的最优表现。

论文采用了新颖的大核处理方式，相较于传统大核处理方式，可以将延迟降低86％；同时，通过使用Element-wise Attention模块来模拟实例相关权重，提高了模型的性能。实验结果表明，PLKSR在计算效率和性能方面均优于SRFormer-light，同时还开源了代码。

最近的相关研究包括：SRFormer、TransGAN等。