本文的旨在加速大图像(2k-8k)上的超分辨速度。通常在实际应用中，大图像都被拆解为更小的子图，作者发现，不同图像区域具有不同的复原难度，可以被不同容量的模型进行处理。直觉上来讲，平滑区域要比复杂纹理区域更易于超分。

基于此特性，作者采用合适的SR模型处理拆分后的不同子图，即平滑区域采用简单的小模型，纹理区域采用复杂的大模型。由此，提出了一种新的解决方案：ClassSR，它将分类与超分组合到统一框架中。具体来讲，它先采用ClassModule将子图按照复原难度分到不同的类别；然后对不同类别的子图采用不同的SRModule进行超分。这里的ClassModule就是常规分类网络，而SRModule则是由不同大小的SR模型构成。

论文标题：

ClassSR: A General Framework to Accelerate Super-Resolution Networks by Data Characteristic

论文链接：

https://arxiv.org/abs/2103.04039

主要贡献：

  • 提出ClassSR，首个将分类与超分结合的图像超分方案；

  • 提出结合数据特性克服low-level加速问题，而且它与其他加速计算具有互补性；

  • 提出一种带两种新颖损失的分类方案以促进子图按照复原难度进行分类。

图1.ClassSR模型总览，其中类别数M = 3.分类模块(class-Module)目标是产生概率分布向量，SR-Module目标是超分对应的子图。

内容中包含的图片若涉及版权问题，请及时与我们联系删除