双阶段信息蒸馏的轻量级图像超分辨率网络

目的 在图像超分辨率（super resolution,SR）任务中采用大尺寸的卷积神经网络（convolutional neural network,CNN）可以获得理想的性能,但是会引入大量参数,导致繁重的计算负担,并不适合很多计算资源受限的应用场景。为了解决上述问题,本文提出一种基于双阶段信息蒸馏的轻量级网络模型。方法 提出一个双阶段带特征补偿的信息蒸馏模块（two-stage feature-compensated information distillation block,TFIDB）。TFIDB采用双阶段、特征补偿的信息蒸馏机制,有选择地提炼关键特征,同时将不同级别的特征进行合并,不仅提高了特征提炼的效率,还能促进网络内信息的流动。同时,TFIDB引入通道关注（channel attention,CA）机制,将经过双阶段信息蒸馏机制提炼的特征进行重要性判别,增强对特征的表达能力。以TFIDB为基础构建模块,提出完整的轻量级网络模型。在提出的网络模型中,设计了信息融合单元（information fusion unit,IFU）。IFU将网络各层级的信息进行有效融合,为最后重建阶段提供准确、丰富的层级信息。结果 在5个基准测试集上,在放大倍数为2时,相较于知名的轻量级网络CARN （cascading residual network）,本文算法分别获得了0.29 dB、0.08 dB、0.08 dB、0.27 dB和0.42 dB的峰值信噪比（peak singal to noise ratio,PSNR）增益,且模型参数量和乘加运算量明显更少。结论 提出的双阶段带补偿的信息蒸馏机制可以有效提升网络模型的效率。将多个TFIDB进行级联,并辅以IFU模块构成的轻量级网络可以在模型尺寸和性能之间达到更好的平衡。     

应用通道间相关性及增强信息蒸馏的彩色图像去马赛克网络

在商用数码相机中,由于CMOS传感器的限制,在采样得到的图像中的每个像素位置仅有一个色彩通道的信息,因此,需要采用彩色图像去马赛克(CDM)算法来恢复全彩图像.然而,现有的基于卷积神经网络(CNN)的CDM算法不能以较低的计算复杂度和网络参数量取得令人满意的性能.针对这个问题,提出一种应用通道间相关性和增强信息蒸馏(I...