Abstract
基于查询表(LUT)的方法在单图像超分辨率(SR)任务中已显示出极大的效能。
然而,先前的方法忽略了LUT受限感受野(RF)尺寸的本质原因,这是由于 vanilla 卷积中空间特征和通道特征的交互作用所致。它们只能通过线性增加LUT大小来增加RF。
为了在保持LUT尺寸的同时扩大RF,我们提出了一种新的重构卷积(RC)模块,它将通道计算和空间计算解耦。它可以被公式化为 $n^2$ 个一维LUT以保持 $n \times n$ 感受野,这显然比之前公式化的 $n \times n$ 维LUT要小得多。
我们的 RC 模块生成的 LUT 与 SR-LUT 基线相比,存储量减少了不到1/10000。
我们提出的基于重构卷积模块的LUT方法,称为RCLUT,能够将RF尺寸扩大9倍,超过了现有最先进的基于LUT的SR方法,并在五个流行的基准数据集上实现了卓越的性能。
此外,高效且稳健的RC模块可以作为插件,用于改进其他基于LUT的SR方法。
-
Previous
【深度学习】LVM:Sequential Modeling Enables Scalable Learning for Large Vision Models -
Next
【ICCV 2023】DLGSANet: Lightweight Dynamic Local and Global Self-Attention Network for Image Super-Resolution