DWA: Differential Wavelet Amplifier for Image Super-Resolution

要約

この作品では、ウェーブレット ベースの画像超解像度 (SR) 用のドロップイン モジュールである差動ウェーブレット アンプ (DWA) を紹介します。
DWA は、最近あまり注目されていないアプローチ、つまり離散ウェーブレット変換 (DWT) を活性化します。
DWT は SR の効率的な画像表現を可能にし、その入力の空間領域、モデル全体のサイズ、計算コストを 4 分の 1 に削減し、持続可能な ML のための魅力的なアプローチとして枠組み付けます。
私たちが提案する DWA モデルは、2 つの畳み込みフィルターの差を利用してウェーブレット ドメイン内の関連する特徴抽出を洗練し、局所的なコントラストを強調し、入力信号内の共通ノイズを抑制することで、ウェーブレット ベースの SR モデルを改善します。
我々は、DWSR や MWCNN などの既存の SR モデルにそれを統合することによってその有効性を示し、古典的な SR タスクの明らかな改善を実証します。
さらに、DWA では、DWSR および MWCNN を入力画像空間に直接適用できるため、従来の DWT が省略されるため、チャネルごとの DWT 表現が削減されます。

要約(オリジナル)

This work introduces Differential Wavelet Amplifier (DWA), a drop-in module for wavelet-based image Super-Resolution (SR). DWA invigorates an approach recently receiving less attention, namely Discrete Wavelet Transformation (DWT). DWT enables an efficient image representation for SR and reduces the spatial area of its input by a factor of 4, the overall model size, and computation cost, framing it as an attractive approach for sustainable ML. Our proposed DWA model improves wavelet-based SR models by leveraging the difference between two convolutional filters to refine relevant feature extraction in the wavelet domain, emphasizing local contrasts and suppressing common noise in the input signals. We show its effectiveness by integrating it into existing SR models, e.g., DWSR and MWCNN, and demonstrate a clear improvement in classical SR tasks. Moreover, DWA enables a direct application of DWSR and MWCNN to input image space, reducing the DWT representation channel-wise since it omits traditional DWT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google