南京邮电大学 | 通过对称 CNN 和递归Transformer实现单图像超分辨率的轻量级双峰网络（IJCAI2022）

论文标题：Lightweight Bimodal Network for Single-Image Super-Resolution via  Symmetric CNN and Recursive Transformer

论文链接：https://arxiv.org/abs/2204.13286

代码链接：https://github.com/IVIPLab/LBNet

作者单位：南京邮电大学 & 香港中文大学

随着深度学习的发展，单图像超分辨率（SISR）取得了重大突破。 然而，这些方法难以在实际场景中应用，因为它们不可避免地伴随着复杂操作导致的计算和内存成本问题。 为了解决这个问题，我们为 SISR 提出了一个轻量级双峰网络（LBNet）。具体来说，为局部特征提取和粗图像重建设计了一个有效的对称 CNN。 同时，我们提出了一种递归变换器来充分学习图像的长期依赖性，从而可以充分利用全局信息来进一步细化纹理细节。 研究表明，CNN 和 Transformer 的混合可以构建更高效的模型。 大量实验证明，我们的 LBNet 在计算成本和内存消耗相对较低的情况下，比其他最先进的方法具有更突出的性能。

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