字节跳动 | 用于高效超分辨率的残差局部特征网络

论文标题：Residual Local Feature Network for Effificient Super-Resolution

论文链接：https://arxiv.org/abs/2205.07514

作者单位：字节跳动

基于深度学习的方法在单图像超分辨率（SISR）中取得了很好的性能。然而，高效超分辨率的最新进展侧重于减少参数和 FLOP 的数量，它们通过复杂的层连接策略提高特征利用率来聚合更强大的特征。这些结构可能不是实现更高运行速度所必需的，这使得它们难以部署到资源受限的设备。在这项工作中，我们提出了一种新颖的残差局部特征网络（RLFN）。主要思想是使用三个卷积层进行残差局部特征学习来简化特征聚合，从而在模型性能和推理时间之间取得了很好的折衷。此外，我们重新审视了流行的对比损失，并观察到其特征提取器的中间特征的选择对性能有很大的影响。此外，我们提出了一种新颖的多阶段热启动训练策略。在每个阶段，利用前一阶段的预训练权重来提高模型性能。结合改进的对比损失和训练策略，所提出的 RLFN 在运行时间方面优于所有最先进的高效图像 SR 模型，同时保持 SR 的 PSNR 和 SSIM。此外，我们还获得了 NTIRE 2022 高效超分辨率挑战赛的运行时赛道第一名。

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